UNIVERSIDADE FEDERAL DE SANTA CATARINAPROGRAMA DE POS GRADUACAO EM CIENCIA DA

COMPUTACAO

Rafael de Souza Mendes

ABORDAGEM BAYESIANA PARA REDES SEM FIOCOGNITIVAS

Florianopolis(SC)

2010

Rafael de Souza Mendes

ABORDAGEM BAYESIANA PARA REDES SEM FIOCOGNITIVAS

Dissertacao submetida ao Programade Pos-Graduacao em Ciencia da Com-putacao para a obtencao do Grau deMestre em Ciencia da Computacao.Orientador: Carlos Becker Westphall,Dr.Eng.Coorientadora: Silvia Modesto Nassar,Dr.Eng.

Florianopolis(SC)

2010

Catalogacao na fonte elaborada pela biblioteca daUniversidade Federal de Santa Catarina

A ficha catalografica e confeccionada pela Biblioteca Central.

Tamanho: 7cm x 12 cm

Fonte: Times New Roman 9,5

Maiores informacoes em:

http://www.bu.ufsc.br/design/Catalogacao.html

Dissertacao submetida ao Programa de Pos-Graduacao em Ciencia da

Computacao para a obtencao do Grau de Mestre em Ciencia da Com-putacao.

A Deus e a minha famılia.

AGRADECIMENTOS

A minha avo Amelia, que sempre sera um exemplo de conduta,justica, resignacao e principalmente: amor.

As minhas tias Neli e Mara, que sempre primaram pela minhaeducacao.

A minha esposa, Andreia, pela paciencia e resignacao nos deci-sivos momentos cotidianos que viabilizaram a realizacao de um estudode mais de dois anos.

Aos meus pais, pelo apoio e reiterada insistencia em me lembrardo meu, por vezes esquecido, gosto pela vida academica.

Ao meu orientador, pelo conhecimento, motivacao e envolvi-mento pessoal, sem os quais nao seria viavel a realizacao do mestrado.

Aos colegas do Sinergia, Sindicato dos Eletricitarios de Flori-anopolis e Regiao, por terem contribuıdo com o maximo de sua capaci-dade para que eu conseguisse me dedicar ao mestrado, no perıodo emque trabalhamos juntos.

Aos amigos da Eletrosul: Davi, Leomar, Diego, Carlinhos, Di-novaldo, Antonio Rogerio e Nelson, que foram na medida do possıvelsempre compreensıveis, e contribuıram para deixar um pouco menosduros esses dois anos de vida laboral e mestrado.

Porque toda a lei se cumpre numa so palavra,nesta: Amaras ao teu proximo como a timesmo.

Galatas 5:14

RESUMO

Esta dissertacao aborda a aplicacao de inferencia e decisao probabilıs-tica ao campo de pesquisa das redes sem fio cognitivas. Na buscapela autoconfiguracao e reconfiguracao dos equipamentos de rede semfio, a aplicacao de redes bayesianas e teoria da decisao mostraram-se promissoras no sentido de extrapolar os limites das redes cognitivas,permitindo a tomada de decisao a fim de possibilitar nao apenas o com-partilhamento do espectro com usuarios primarios, como tambem com-partilhar os proprios recursos computacionais (equipamentos e conexaocom a internet) com usuarios circunvizinhos. Neste sentido, a presentedissertacao apresenta dois modelos bayesianos, o primeiro dedicadoao sensoriamento do espectro e o segundo dedicado a caracterizacaoe decisao no espectro, com o objetivo de, respectivamente, aumentar aacuracia na deteccao de usuarios primarios e gerenciar a conectividadeda rede entre usuarios primarios, secundarios proprietarios dos equipa-mentos e secundarios nao proprietarios. Por fim, o objetivo ultimodeste trabalho e fornecer bases tecnologicas para o compartilhamentoaltruısta da conectividade a internet, esperando sua aplicacao para finssociais.Palavras-chave: redes cognitivas, radio cognitivo, inclusao digital,wireless, bayesianas, probabilıstica, teoria da decisao, autoconfiguracao,reconfiguracao, altruısmo, compartilhamento de recursos

ABSTRACT

This thesis addresses the application of probabilistic inference and de-cision to the research field of cognitive wireless networks. In the searchfor autoconfiguration and reconfiguration of wireless network equip-ment, application of Bayesian networks and decision theory have shownpromise in order to transcend the limits of cognitive networks, enablingdecision-making in order to enable not only the sharing of spectrumwith primary users as well as share their own computing resources(equipment and Internet connection) with surrounding users. In thissense, this paper presents two Bayesian models, the first devoted tosensing the spectrum and the second devoted to the characterizationand determination in the spectrum, with the purpose of, respectively,to increase accuracy in detecting primary users and manage the net-work connectivity between primary users, secondary users owners ofthe equipment and not owners. Finally, the ultimate goal of this workis to provide technological basis for the unselfish sharing of connectivityto the Internet waiting for your application for social ends.Keywords: cognitive network, cognitive radio, digital inclusion, wire-less, bayesian, probabilistic, decision theory, autoconfiguration, recon-figuration, altruism, resource sharing

LISTA DE FIGURAS

Figura 1 Hardware hipotetico para elaboracao da rede bayesiana. 42

Figura 2 Sequencia temporal de estados produzida pela inferenciabayesiana. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

Figura 3 Arquitetura parcial a ser suportada por um frameworkpara operacao do radio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

Figura 4 Inferencia bayesiana a partir do estado dos sensores. . . . 47

Figura 5 Estratificacao dos tempos de cada estado do canal pe-los fatores temporais para composicao da evidencia no sensor dehistorico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

Figura 6 Hardware hipotetico apresentando o sensor de historico“virtual”. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

Figura 7 Cruzamento dos estados do canal com os sensores paraobtencao das frequencias estratificadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

Figura 8 Inferencia bayesiana da probabilidade de cada canal dadaa evidencia de um PU. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

Figura 9 Serie de estados do canal convertida em ocupacao docanal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

Figura 10 Rede com o modelo completo de decisao. . . . . . . . . . . . . . . 57

Figura 11 Maquina de estados de apoio ao sistema de tomada dedecisao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

LISTA DE TABELAS

Tabela 1 Tabela de mapeamento estatico de estados dos sensorespara estado do canal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

Tabela 2 Loterias simples e seus respectivos significados. . . . . . . . . 54

Tabela 3 Consequencias e suas respectivas utilidades. . . . . . . . . . . . 55

Tabela 4 Consequencias e suas respectivas utilidades. . . . . . . . . . . . 55

Tabela 5 Tabela de probabilidades a priori do sensor de potencia. 64

Tabela 6 Tabela de probabilidades a priori do sensor de SNR. . . 65

Tabela 7 Tabela de probabilidades a priori do sensor de PU. . . . . 65

Tabela 8 Tabela de probabilidades a priori do sensor de historico. 65

Tabela 9 Tabela de probabilidades a priori do sensor de bit. . . . . 65

Tabela 10 Estatısticas referentes a inferencia bayesiana. . . . . . . . . . . 66

Tabela 11 Estatısticas referentes a aprendizagem das probabilidadesa priori. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

LISTA DE ABREVIATURAS E SIGLAS

AP. Ponto de acesso (access point)CN. Rede sem fio cognitiva (cognitive network)CR. Radio cognitivo (cognitive radio)EU. Utilidade esperada (expected utility)FCC. Comissao Federal de Comunicacao (Federal Communica-

tion Comission) - USAIEEE. Instituto de Engenheiros Eletricistas e EletronicosPDA. Assistente Digital Pessoal (Personal Digital Assistant)PB. Usuario publicoPU. Usuario primarioPV. Usuario privadoQoS. Qualidade do servico (Quality of Service)SNR. Relacao sinal-ruıdo (signal-to-noise ratio)TI. Tecnologia da informacaoUHF. Ultra High FrequencyVHF. Very High Frequency

SUMARIO

1 INTRODUCAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211.1 DEFINICAO DO PROBLEMA E PROPOSTA . . . . . . . . . . . . 211.2 OBJETIVOS GERAIS E ESPECIFICOS . . . . . . . . . . . . . . . . . 261.2.1 Objetivo geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261.2.2 Objetivos especıficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261.3 ORGANIZACAO DO TRABALHO . . . . . . . . . . . . . . . . . . . . . . 262 REVISAO DA LITERATURA . . . . . . . . . . . . . . . . . . . . . . 292.1 REDES COGNITIVAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 292.1.1 Sensoriamento do espectro . . . . . . . . . . . . . . . . . . . . . . . . . 302.1.2 Decisao no espectro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322.2 TEORIA DA DECISAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332.3 TRABALHOS CORRELATOS . . . . . . . . . . . . . . . . . . . . . . . . . . 373 SENSORIAMENTO PROBABILISTICO E CARAC-

TERIZACAO DO ESPECTRO . . . . . . . . . . . . . . . . . . . . . 413.1 UNIFICANDO DADOS COM ESTADOS DO ESPECTRO . 413.1.1 Sıntese dos estados do canal, a base para a mode-

lagem probabilıstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 463.2 CORRELACOES E APRENDIZAGEM . . . . . . . . . . . . . . . . . . 483.3 CARACTERIZACAO DO ESPECTRO . . . . . . . . . . . . . . . . . . . 504 DECISAO PROBABILISTICA NO ESPECTRO . . . . . 534.1 VARRER O ESPECTRO OU OPERAR NO ESPECTRO . . 584.2 ABANDONAR O CANAL OU CONTINUAR OPERANDO 604.3 ADMITIR OU DEMITIR USUARIOS PUBLICOS . . . . . . . . . 625 EXPERIMENTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 635.1 AMBIENTE DE SIMULACAO . . . . . . . . . . . . . . . . . . . . . . . . . . 635.2 METODO DE EXPERIMENTACAO . . . . . . . . . . . . . . . . . . . . 635.3 DADOS DO EXPERIMENTO . . . . . . . . . . . . . . . . . . . . . . . . . . 646 CONCLUSAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 696.1 PRINCIPAIS CONTRIBUICOES . . . . . . . . . . . . . . . . . . . . . . . . 696.2 TRABALHOS FUTUROS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70Referencias Bibliograficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71APENDICE A -- Experimentos realizados - testes t-Student 77

21

1 INTRODUCAO

1.1 DEFINICAO DO PROBLEMA E PROPOSTA

A motivacao para a busca de um aproveitamento mais habil doespectro e, por conseguinte, a formulacao do conceito de redes cogniti-vas, teve inıcio com o relatorio da Comissao Federal de Comunicacaoestadunidense (FCC) (FCC, 2002), que determinou que o problema deescassez do espectro era na realidade um problema de alocacao do es-pectro, pois a maior parte do espectro e reservada a usuarios que naoutilizam na totalidade a largura de banda alocada. Um exemplo tıpicoe a transmissao de televisao, sistema este que possui uma ampla faixade Very High Frequency (VHF) e Ultra High Frequency (UHF) licenci-ada, porem, na maioria dos municıpios, poucas emissoras de TV atuam,levando a uma subutilizacao da largura de banda alocada.

Em seguida a emissao do relatorio do FCC, o Instituto de En-genheiros Eletricistas e Eletronicos (IEEE) deu inıcio ao incentivo depesquisas que estimulassem a utilizacao mais inteligente do espectropor parte dos equipamentos computacionais como o classico (AKY-ILDIZ et al., 2006). Apesar de o conceito de rede cognitiva (CN)ser difuso e aplicado a varias tecnologias de rede, como explanado em(THOMAS; DASILVA; MACKENZIE, 2005), consideraremos aqui queuma CN e uma rede formada por equipamentos dotados de radios ca-pazes de perceber o meio onde estao atuando e reconfigurar-se a fim denao causar interferencias a usuarios primarios (PUs). Adjacentementeao conceito de CNs, comecaram a ser pesquisadas as caracterısticasnecessarias aos equipamentos, para que estes pudessem chamar-se “cog-nitivos”. Grandes contribuicoes foram feitas pelo Broadband WirelessNetworking Lab (AKYILDIZ, ) e pela equipe do Dr. Ian F. Akyildiz.Em (AKYILDIZ et al., 2006), Alkyildiz postula que um radio cognitivo(CR) deve ser capaz de promover:

• sensoriamento do espectro - detectando segmentos de espectronao utilizados e compartilhando espectro sem causar interferenciadestrutiva com outros usuarios;

• gerenciamento do espectro - capturando a melhor faixa de espec-tro disponıvel a fim de atingir os requisitos de comunicacao;

• mobilidade no espectro - mantendo a comunicacao mesmo durantea transicao para outras faixas de espectro;

22

• compartilhamento do espectro - providenciando um metodo de or-ganizacao confiavel que viabilize a coexistencia em meio a outrasredes cognitivas.

Estes conceitos foram consolidando-se ao longo de varios trabal-hos da comunidade cientıfica, como (AKYILDIZ et al., 2006), (AKY-ILDIZ; LEE; CHOWDHURY, 2009b) e (AKYILDIZ; LEE; CHOWD-HURY, 2009a), ficando fortemente associados ao conceito de CRs —conceito este que, na grande maioria dos artigos, acaba por sobressair-seao de CNs.

Assim, ao longo de artigos como (AKYILDIZ et al., 2006) e(AKYILDIZ et al., 2008), os objetivos de um CR foram sendo consoli-dados em duas macrofuncionalidades: capacidade cognitiva e reconfigu-racao. Estas duas funcionalidades, por sua vez, sao antigas necessidadesdos sistemas especialistas, principalmente dos formados por agentescognitivos, que buscam, atraves da aprendizagem de maquina, adquirire refinar o conhecimento e as acoes sobre o problema para o qual foramdesenvolvidos. Para isto, os sistemas especialistas sao equipados deuma base de conhecimento, um mecanismo de inferencia e mecanismosde interface com o meio. Este ultimo, na maioria das vezes, representauma interface com os usuarios, entretanto, no contexto das CNs, deveser composto pelo CR e pela interface com as camadas superiores.

As CNs, por sua vez, no que se refere a gerenciamento do es-pectro, necessitam lancar mao de teorias desenvolvidas no campo dainteligencia artificial e outras areas do conhecimento que abordam atomada de decisao. No contexto desta dissertacao, foram escolhidoscomo instrumento teorico para abordar o gerenciamento do espectro osfundamentos de teoria da decisao.

Incluindo-se entao o tema “Acesso participativo e universal docidadao brasileiro ao conhecimento” — o terceiro item dos “GrandesDesafios da Computacao 2006-2016”(SBC, Ultima visita em 21 de maiode 2011.), proposto pela Sociedade Brasileira de Computacao — a pro-posta de unir CNs e teoria da decisao, pretende-se posicionar o presentetrabalho de forma que nao somente represente um estudo no estado daarte sobre redes cognitivas, como tambem esteja alinhado as necessi-dades de desenvolvimento cientıfico tipicamente brasileiras.

Combinar CNs e teoria da decisao visando a capacidade de lib-eracao do acesso a usuarios circunvizinhos proporciona uma base tec-nologica para trabalhos futuros que abordem o uso de tais tecnologiaspara fins de inclusao digital, tornando entao tal aplicacao das CNs con-vergente para os seguintes itens descritos nos desafios da computacao2006-2016, que versam sobre o acesso do cidadao brasileiro ao conhec-

23

imento:“Varias areas da Computacao precisam contribuir para a solucao desteproblema. O acesso ao conhecimento comeca com vencer os desafiosdas interfaces, em particular a interface de sistemas computacionaiscom o cidadao. Outros topicos de pesquisa relacionados e em abertoenvolvem o projeto e desenvolvimento de ambientes com mobilidade econsciencia de contexto, com hardware de baixo custo e software aber-tos e adaptaveis a necessidades locais. A producao de conhecimentopassa pela producao de conteudo e mecanismos eficientes de armazena-lo e recupera-lo, pela criacao e disponibilizacao de bibliotecas digitais.Questoes afetivas, sociais e culturais em computacao sao novas areasque precisam tambem ser envolvidas nesta tarefa.

[...]

- Projeto e desenvolvimento apropriado de novas infraestruturas dehardware e de comunicacao;”

Propor a utilizacao de tecnologia da informacao (TI) para estim-ular o altruısmo no seio da sociedade civil nao e pratica comum na areade redes de computadores, em que, tradicionalmente, os pesquisadoresfocam seus esforcos na melhoria de indicadores como largura de banda,atraso, perda de pacotes, qualidade de servico (QoS), protocolos etc.Contudo, da dialetica entre pragmatismo tecnologico e a subjetivi-dade social, surge o questionamento para submeter a prova o tema depesquisa, “redes cognitivas para que e para quem?”, sendo a respostaproposta pelo presente estudo:

• para permitir um nıvel de controle dos equipamentos de rede ca-paz de viabilizar o compartilhamento da conectividade sem riscode prejuızo para o proprietario;

• para pessoas desprovidas de recursos para contratar servicos deconexao a internet.

Neste contexto, o presente trabalho necessita desenvolver algunsconceitos que servirao de base para as ideias posteriormente apresen-tadas. O primeiro conceito a ser apresentado e desenvolvido aqui e o dadiferenciacao entre equipamentos pertencentes ao usuario proprietarioda infraestrutura de acesso a internet (aqui tratados como “recursos deinternet”), e os equipamentos pertencentes a usuarios nao proprietariosda rede. Para definir o primeiro grupo de equipamentos, foi utilizado

24

o termo “usuario privado” e para o segundo, o termo “usuario publico”.Ainda, todo o modelo e fundamentado em uma topologia centralizada,baseada em access point (AP). Desta forma pode-se entender o espectrocomo um recurso natural finito que pode ser ocupado por PUs, deten-tores do licenciamento da banda em questao, e os usuarios secundarios(SUs), que povoarao a banda de forma oportunista. Dentro do con-junto dos SUs, a partir dos conceitos propostos e do ponto de vista doAP, pode-se identificar entao os usuarios privados (PVs), os usuariospublicos (PBs) e outros SUs adjacentes. Cada grupo de usuario afetaraa tomada de decisao do AP, que centralizara a decisao no espectro deuma forma diferente, cabendo ao AP decidir sobre:

• varrer o espectro;

• ocupar um canal;

• abandonar um canal;

• liberar o acesso a PBs.

Cada decisao destas, dependendo do contexto em que o AP estainserido, possui uma consequencia, e cada consequencia, uma utilidadepara o sistema.

Contudo, mesmo a viabilidade tecnica para o compartilhamentode recursos de internet sendo o foco deste trabalho, nao e prudenteafirmar que a existencia de tal tecnologia resultara efetivamente nocomportamento humano desejado; porem, cabe aqui citar (BARROS,1995), que define que os grupamentos humanos, em geral, tem por ob-jetivo aumentar o bem-estar total de seus membros. Isto pode ser lidono trecho:

“o fato dos seres humanos organizarem-se em grupos com o obje-tivos bem definidos e o mais basico de todos os fenomenos e a motivacaopara todas as ciencias sociais. Embora, de maneira geral, o objetivobasico seja sempre elevar o nıvel de bem estar de seus membros, nemtodos estes agrupamentos tem organizacao e objetivos identicos. Algunsdestes grupamentos tem duas propriedades marcantes que influenciamsobremaneira o nıvel de pobreza vigente numa dada sociedade: a) cadamembro cede ao grupo seus recursos privados, que, entao passam a sertratados como recursos comuns ao grupo e b) todas as transacoes entreos membros do grupo tem natureza unilateral, no sentido de que naose espera necessariamente nenhuma forma de reciprocidade imediata,nem qualquer forma de contabilidade e mantida.”

25

Considerando-se que: ao lancar mao do espectro, que e um re-curso natural finito, seres humanos interagem atraves de seus equipa-mentos de rede de forma a obter a satisfacao de uma necessidade que,em geral, e a conectividade com a internet; podemos considerar que,havendo mais de um usuario ocupando o espectro, existe uma interacaohumana indireta nesta ocupacao.

Apesar de o objeto desta dissertacao ser tecnologico, pode-seobservar que ha interacao entre pessoas usuarias do espectro. Estacomunicacao se da nao pelo contato direto, mas pela degradacao dacomunicacao, decorrente da interferencia entre as redes sem fio. Estainterferencia, segundo (TEIXEIRA, 2010), pode ocasionar perdas dedesempenho de ate dez vezes no throughput das redes sem fio baseadasem IEEE 802.11. Ainda em (TEIXEIRA, 2010), e apontada a auto-configuracao do canal como sendo um fator significativo de melhoriano desempenho das redes 802.11. Logo, pode-se afirmar que um CRcapaz de se autoconfigurar, a fim de obter o menor grau de interferenciatanto em PUs como em SUs adjacentes, conduziria a um maior grau debem-estar entre os usuarios do espectro.

Ainda, com a possibilidade de tomada de decisao acerca de re-stringir ou liberar o uso publico da rede, o CR poderia proporcionar umsegundo nıvel de interacao entre os ocupantes do espectro: uma relacaobaseada no altruısmo. O membro possuidor dos recursos de internetestaria habilitado a liberar acesso a qualquer membro circunvizinho, deforma unilateral e sem esperar reciprocidade imediata, em intervalos detempo em que seus recursos estejam ociosos. Tudo isto gerenciado peloCR sem acrescimo de complexidade para o usuario final.

Uma vez que um proprietario decida doar o tempo ocioso de seusrecursos de internet, podemos supor consequencias distintas em doiscenarios diferentes. Em um cenario de baixa densidade espectral, osPBs acessariam a internet de forma restrita, apenas nos horarios em queos PVs nao a estivessem utilizando. Ja em um cenario de alta densidadeespectral, e provavel que sempre haja um AP ocioso capaz de forneceracesso para os PBs, levando a que mesmo usuarios com condicoes deadquirir recursos de internet optem por utilizar os recursos disponıveisde seus vizinhos. Isto conduzira, alem de um melhor aproveitamentototal dos recursos, a uma reducao da densidade espectral, causandouma melhora no throughput das redes sem fio.

Em ambos os cenarios, os ocupantes do espectro experimenta-riam um aumento do bem-estar total, seja pela oportunidade de acessoa internet, seja pela reducao dos custos de contratacao dos servicosde acesso, ou ainda pela melhora na qualidade devido a reducao da

26

interferencia.Este trabalho sugere entao um metodo de sensoriamento do es-

pectro e um metodo de tomada de decisao que, unidos, sao capazesde fornecer qualidade no sensoriamento do canal a fim de permitira implementacao de uma CN — que opere em meio a PUs — bemcomo um esquema de tomada de decisao, baseado em teoria da de-cisao, que permita a implementacao de compartilhamento dos recursosde internet com PBs. Desta forma, o presente trabalho mantem seufoco tecnologico, porem norteado por um objetivo social, mesmo queeste ultimo nao seja aprofundado, ficando no campo da expectativa detrabalhos futuros.

1.2 OBJETIVOS GERAIS E ESPECIFICOS

1.2.1 Objetivo geral

Desenvolver um metodo de sensoriamento do espectro e um metodode tomada de decisao capazes de, respectivamente, promover um sen-soriamento apto a qualificar a rede como cognitiva e permitir o com-partilhamento da conectividade com usuarios publicos.

1.2.2 Objetivos especıficos

Os objetivos especıficos deste trabalho sao:

• avaliar a adequacao de um modelo probabilıstico para evitar in-terferencia em usuarios primarios;

• garantir a primazia dos usuarios primarios atraves da troca decanais, a partir de um modelo probabilıstico;

• admitir ou demitir usuarios publicos de acordo com a probabili-dade de uso dos usuarios privados.

1.3 ORGANIZACAO DO TRABALHO

O trabalho esta organizado da seguinte forma:No capıtulo 1 — sao abordados o problema, a proposta, a jus-

tificativa, a motivacao, o objetivo geral, os objetivos especıficos e a

27

organizacao do trabalho.No capıtulo 2 — sao apresentadas as bases tecnologicas que dao

sustentacao aos metodos expostos neste trabalho. Tambem sao apre-sentados os trabalhos correlatos mais importantes.

No capıtulo 3 — e demonstrada a aplicacao de redes bayesianaspara o sensoriamento do espectro, sendo apresentado um modelo prob-abilıstico capaz de expressar os estados do espectro e caracteriza-lo.

No capıtulo 4 — apresenta-se a tomada de decisao, baseada tam-bem em um modelo probabilıstico, necessaria a mobilidade no espectroe ao compartilhamento do espectro.

No capıtulo 5 — sao demonstrados os experimentos realizados e avalidacao das ideias apresentadas mediante simulacoes computacionais.

No capıtulo 6 — sao descritas a conclusao, as principais con-tribuicoes e os trabalhos futuros.

Por ultimo sao apresentadas as referencias bibliograficas.

28

29

2 REVISAO DA LITERATURA

2.1 REDES COGNITIVAS

O conceito de CN comecou a ser constituıdo a partir do estudode tecnologias que levassem a solucao do problema de escassez no es-pectro. Contudo, como expresso no relatorio do FCC (FCC, 2002), oproblema de escassez do espectro e na realidade um problema de alo-cacao do espectro. Ainda, como observado por (THOMAS; DASILVA;MACKENZIE, 2005), as redes atuais sao impedidas de atingir umaperformance otima, pois os elementos da rede (constituıdos de nodos,camadas de protocolos, polıticas e comportamentos) estao limitados emestado, escopo e mecanismos de resposta. Sendo assim, podemos con-cluir que as tecnologias de CNs estao sendo desenvolvidas com o prin-cipal objetivo de solucionar um problema causado pelo esgotamento dapolıtica de alocacao do espectro, valendo-se, para isso, de tecnicas desensoriamento e tomada de decisao (muitas delas oriundas da inteligen-cia artificial) a fim de levar os nodos e protocolos a um comportamentodinamico, dependente do contexto encontrado.

A medida que o conceito de CNs consolida-se e avanca em com-pletude, novas possibilidades de uso sao criadas, bem como mais teo-rias sao aplicadas ao conceito. Dentro deste avanco das CNs, surgemdesde tecnicas adaptativas para o sensoriamento do espectro, como em(CHOI, 2010), ate tecnicas de compartilhamento do espectro baseadasem teorias dos jogos (FIANI, 2009).

Contudo, as definicoes de comportamento necessarias a uma rededita cognitiva: sensoriamento do espectro, gerenciamento do espectro,mobilidade no espectro e compartilhamento do espectro, apresentadaspelos precursores do estudo de CNs, tem se mostrado solidas. Emmeio ao conceito de CNs, consolida-se tambem o conceito de CR, quee identificado como a tecnologia chave para a obtencao de redes quepossam ser ditas cognitivas.

Mitola, em sua tese de doutorado (MITOLA, 2000), define otermo “radio cognitivo” como sendo o ponto onde os wireless personaldigital assistants (PDAs) e a rede relacionada com eles sao suficiente-mente inteligentes, sobre os recursos do radio e a comunicacao computador-computador, de forma a:

• (a) detectar as necessidades de comunicacao do usuario comofuncao do contexto de uso, e

30

• (b) prover recursos de radio e servicos de redes sem fio mais apro-priados para essas necessidades.

Observando-se que (MITOLA, 2000) foi escrito antes do relatoriodo FCC (FCC, 2002), o conceito de CR definido por Mitola, aindaaparece atrelado ao termo “PDAs”, vınculo este que foi sendo desfeitopela comunidade cientıfica nos anos posteriores ao propor tecnologiascognitivas para os mais variados tipos de dispositivos de rede. Porem,a ideia de que um CR e um exemplo de agente aplicado a telecomuni-cacoes, desenvolvida na tese de Mitola, tem-se consolidado e cada vezmais ideias oriundas dos agentes cognitivos e da inteligencia artificialtem sido aplicadas aos dispositivos sem fio.

Para o presente trabalho, sera definido o conceito de CN comosendo uma rede de computadores, composta por CRs capazes de perce-ber o ambiente em que estao operando e coordenar a reconfiguracao deseus parametros de operacao, a fim de atender a um requisito opera-cional ou melhoria em nıveis de servico. Contudo, cabe lembrar queo principal requisito operacional de uma CN e nao causar interferen-cias aos PUs, sendo um PU o usuario do espectro eletromagnetico quepossui licenca de operacao para operar em uma determinada banda elocal, autorizado pelo orgao regulamentador competente. Um exemploclassico deste tipo de usuario sao as emissoras de TV.

Neste contexto, muitas tecnologias e concepcoes sao combinadaspara compor as CNs, contudo, para os fins aos quais este trabalho sedestina, cabe revisar principalmente as nocoes gerais sobre sensoria-mento do espectro e decisao no espectro.

2.1.1 Sensoriamento do espectro

O sensoriamento do espectro e a tecnologia chave que permite acriacao de redes de CRs, podendo ser descrito como a capacidade deidentificar usuarios primarios. Apesar de seu destaque nas CNs, e umtema ha muito tempo abordado pelos estudiosos de processamento desinais de radio. Ademais, a caracterizacao e reconhecimento de um sinalde radio especıfico, como acontece com os usuarios primarios, compoeuma das necessidades basicas dos sistemas de radar, profundamenteestudados desde a descoberta desta aplicacao para as radiofrequencias.

Provavelmente por isso o sensoriamento do espectro tem sido,ate o momento, o tema mais explorado nos artigos que abordam asCNs e, do ponto de vista das CNs, tem sido abordado nao apenascomo o metodo para a deteccao do PU, mas tambem tem incluıdo a

31

decisao de sensorear ou nao o espectro. Os metodos fısicos de deteccaode PUs podem ser classificados como energy detection, matched filtere cyclostationary-based, classificacao esta recorrente nos trabalhos dereferencia.

O metodo energy detection consiste na medicao da potencia totaldo sinal recebido em sobreposicao as hipoteses de presenca ou ausen-cia de um PU, tal qual definido em (ATAPATTU; TELLAMBURA;JIANG, 2011). Quando o sinal primario, x(t), e transmitido atravesde uma faixa de espectro com ganho h, o sinal recebido no receptor,y(t), seguido da hipotese binaria H0 (sinal ausente) e H1 (sinal presente),pode ser dado como 2.1, em que w(t) e o ruıdo gaussiano branco aditivo(additive white Gaussian noise - AWGN).

y(t) =

{w(t) H0,hx(t)+ w(t) H1,

(2.1)

O metodo matched filter ((TURIN, 1960)) e obtido pela corre-lacao do sinal detectado com um sinal conhecido ou modelo de sinal. Jao metodo cyclostationary-based e um processo mais complexo, baseadona repeticao de padroes que variam ciclicamente com o tempo, comopode ser visto em (ENSERINK; COCHRAN, 1994). Estes dois meto-dos nao serao detalhados, pois a relevancia de seus detalhes matemati-cos nao e significativa para os objetivos deste trabalho, cabendo ape-nas destacar que, tal qual o metodo energy detection, suportarao duashipoteses distintas: presenca ou ausencia de sinal.

Na maioria dos trabalhos estudados o metodo de deteccao es-colhido e o metodo energy detection, apesar de o metodo de deteccaode PUs ser a tecnologia chave para a implementacao das CNs. Parafins de simulacao e importante isolar o comportamento do sensor eestabelecer uma interface onde os elementos de interesses sao: o resul-tado da deteccao, o tempo de deteccao, a probabilidade de deteccaoe a probabilidade de falso positivo; sendo estes elementos funcoes jamatematicamente modeladas nas referencias citadas.

Desta forma, o sensoriamento do espectro em CNs assume o pa-pel de adicionar adaptabilidade a deteccao de PUs e/ou outras CNs,de forma a diminuir o tempo de deteccao, aumentar a acuracia da de-teccao, adicionar colaboracao a deteccao etc. Apesar de serem variadasas definicoes sobre o objetivo do sensoriamento no espectro, a definicaopostulada por (LEE; AKYILDIZ, 2008) de que: o principal objetivodo sensoriamento do espectro e prover mais oportunidades de acessodo CR ao espectro sem interferencia as redes primarias; parece ser adefinicao mais propria para os objetivos deste trabalho e, por isso, a

32

que sera adotada para fins de desenvolvimento dos modelos.A modelagem matematica formal que define o sensoriamento do

espectro (baseado em energy detection) pode ser observada em (HU;WANG, 2009), (LEE; AKYILDIZ, 2008) e (ZHOU et al., 2010) comosendo um problema de teste de uma hipotese binaria expressa por 2.2:

y(t) =

{n(t) H0,s(t)+ n(t) H1,

(2.2)

onde, y(t), s(t) e n(t) denotam o sinal recebido pelo CR, o sinalemitido por um PU e o ruıdo, respectivamente; H0 e H1 denotam ashipoteses correspondentes a ausencia e a presenca de um PU, respec-tivamente. Este formalismo matematico e muito semelhante ao apre-sentado em 2.1, porem aqui ja em termos de presenca ou ausencia dePU.

A partir desta definicao foi criado o modelo mais aceito ate entaopara representar o comportamento dos PUs em relacao a sua ocupacaodo espectro, que consiste no modelo ON/OFF , no qual o estado ONrepresenta a presenca de um PU no espectro selecionado pelo CR eOFF representa a ausencia de quaisquer PUs.

Boa parte dos esforcos dos pesquisadores tem sido em torno dediminuir o tempo de sensoriamento e aumentar a acuracia da deteccao,de forma a prevenir interferencias a PUs e maximizar o acesso ao es-pectro por parte do CR.

2.1.2 Decisao no espectro

A decisao no espectro, como definido em (AKYILDIZ et al.,2008), refere-se a necessidade de a CN possuir a capacidade de decidirqual a melhor faixa de espectro, dentro das faixas disponıveis, possui amaior capacidade de satisfazer os requisitos de QoS demandados pelaaplicacao.

Para tanto, e necessario que primeiramente as faixas de espectrosejam caracterizadas, nao somente por observacoes locais, mas pelautilizacao de tantas informacoes espaciais e temporais quanto possıveis(dentro das relevantes ao modelo de decisao escolhido), valendo-se deestatısticas e medidas de sıntese para a caracterizacao destas faixasde espectro. Apos o sensoriamento e a caracterizacao do espectro, enecessario escolher a banda a ser utilizada e efetivamente realizar aacao de operar nesta banda.

Com relacao a primeira operacao que compoe a decisao no es-

33

pectro, a caracterizacao do espectro, muitos fatores podem ser consid-erados. O principal dentre estes fatores, para as CNs, e a atividade dePUs, contudo, outros fatores podem ser adicionados a caracterizacaodo espectro, como proposto em (KAPLAN; BUZLUCA, 2009), em que,para a composicao do esquema de decisao no espectro, sao considera-dos: largura de banda, atraso e frequencia de aparicao de PUs. Para acaracterizacao do espectro poderiam ser considerados nao so fatores dacamada de radio, como tambem das camadas superiores, como perdade pacotes, erros de CRC, etc.

No tocante a segunda operacao que compoe a decisao no espec-tro, a maioria dos trabalhos a trata apenas como a escolha do canalpara a operacao, contudo e importante ressaltar que qualquer decisaodeve ser tomada com base em um conjunto de decisoes possıveis. Em(CHOI, 2010) sao apresentadas tres possıveis decisoes: transmissao dedados, sensoriamento ou troca de canal. Apos definido o conjunto dedecisoes, deve-se prever as consequencias que cada acao pode ocasionar.Independentemente do modelo de decisao escolhido, as consequenciassao, inevitavelmente, tratadas. Um exemplo disto e quando o sistemade controle de um CR define que nao pode haver transmissao de dadosquando for detectado um PU no canal. Esta programacao e, conse-quentemente, a decisao de nao transmitir consistem em uma previsaoda consequencia de causar interferencia no PU detectado. Desta forma,a decisao sobre qual acao tomar pode ultrapassar a simples selecao dafaixa de espectro a ser utilizada para a operacao do radio, podendo serincluıdas acoes de ajuste de parametros e limiares de funcionamento doCR, a fim de atingir um determinado grau de QoS.

Embora a decisao no espectro seja a caracterıstica dos CRs menosexplorada ate o momento, e nao haja um modelo de decisao que pre-domine, o metodo de otimizacao matematica, denominado programacaolinear, tem se destacado como modelo de tomada de decisao, sendo uti-lizado em muitos artigos, como em (LIU; KRISHNAMACHARI; LIU,2010), em que a programacao linear serve para a selecao do canal paraoperacao.

2.2 TEORIA DA DECISAO

O renascimento, no seculo XV, foi marcado pelo drastico incre-mento do interesse humano pelo conhecimento. Porem, nesta epocaainda era controversa a aplicabilidade da matematica no mundo real.Contudo, devido aos avancos estabelecidos por Nicolau Copernico (1473-

34

1543), Johannes Kepler (1571-1630) e Galileu Galilei (1564-1642), tor-naram-se raros os que afirmassem que a matematica teria pouco a con-tribuir para o entendimento do mundo material. Galileu, consideradoo pai da fısica matematica, teve a iniciativa de aplicar a matematica aoestudo da fısica, pondo entao fim a discussao.

Entretanto, a aplicabilidade da matematica ao estudo do com-portamento humano e algo ainda controverso e teve inıcio nos primeirosestudos do que hoje e associado ao campo da economia. Ate entao oentendimento que se tinha e que o comportamento humano era algofundamentalmente diferente do mundo fısico. Mesmo o mundo fısicopodendo ser tratado com equacoes matematicas, o comportamento hu-mano nao o poderia, devido a presenca do elemento humano e a na-tureza do fenomeno psicologico. Desta forma, acreditava-se que se-ria impossıvel modelar quaisquer comportamentos humanos atraves damatematica.

Os estudos de Blaise Pascal (1623-1662) e Pierre de Fermat(1601-1665) sobre a probabilidade permitiram que a matematica fosseaplicada pela primeira vez ao comportamento humano. A aplicacaodada pelo proprio Pascal foi a decisao de levar ou nao uma vida de-votada a Deus. Como relatado em (CUSINATO, 2003): “A incognitaquanto a existencia divina foi a motivacao responsavel pelo surgimentoda primeira teoria da decisao: o princıpio da expectancia matematica,que levou Pascal a defender a fe em Deus em termos pragmaticos.”.

Pascal usou para resolver esse problema o conceito de expec-tancia matematica, que multiplica o valor monetario associado a de-cisao com a probabilidade de ganho. Desta forma Pascal atribuiu umaprobabilidade α 6= 0 para a existencia de Deus e uma probabilidade(1−α) para a nao-existencia de Deus. Consequente a isto, a expectan-cia matematica para uma vida devotada a Deus (vida pia), seria:

E(vidapia) = α ·∞ +(1−α) ·0 = ∞,

enquanto que o valor esperado para uma vida mundana, dado que omaximo que se poderia adquirir em uma vida toda poderia ser expressopor uma constante k, seria:

E(vidamundana) = α · k +(1−α) · k = k.

Desta forma Pascal observou que E(vidapia) > E(vidamundana)para qualquer probabilidade de Deus existir, concluindo ele que umavida pia seria a decisao a ser tomada.

Generalizando-se o problema para quaisquer escolhas, dado um

35

vetor de possıveis resultados X = (x1,x1, · · · ,xn) e um conjunto de vetoresde probabilidades (loteria) Lk = (pk

1, pk2, · · · , pk

n) contendo probabilidadespara cada valor xi; entao, uma dada loteria e deve ser escolhida se esomente se:

n

∑i=1

xi pei ≥

n

∑i=1

xi pki para todo k = 1,2, · · · ,K.

Apesar de o modelo nao levar em consideracao a variancia dospossıveis retornos, limitacao hoje bastante clara, podia ser aplicado avarios tipos de problemas e tornou-se o primeiro modelo matematicocapaz de lidar com decisoes em condicoes de incerteza.

Embora o princıpio da expectancia matematica seja de simplescompreensao e aplicacao, o modelo nao e suficientemente expressivopara representar algumas categorias de problemas de decisao. As-sim, com o avanco dos estudos em torno da expectancia matematica,varios questionamentos comecaram a surgir. Daniel Bernoulli, em 1738,confrontou o princıpio da expectancia matematica com o comporta-mento dos mercadores que costumavam fazer seguros. Bernoulli alegavaque, se um mercador se baseasse apenas no princıpio da expectanciamatematica, fazer um seguro seria como jogar dinheiro fora; entre-tanto, todos concordariam que fazer um seguro nao consiste em umainsanidade, desta forma o comportamento dos mercadores seria umaclara quebra do princıpio da expectancia matematica.

Bernoulli utilizou o hoje famoso paradoxo de Sao Petersburgopara confrontar matematicamente o princıpio da expectancia matematica,paradoxo que em (CUSINATO, 2003) e descrito como:

“suponha que uma moeda e jogada repetidamente ate que aprimeira cara apareca. O jogo paga 2n−1 dolares se a primeira caraaparecer na enesima jogada. Qual o preco que um indivıduo pagariapara entrar neste jogo? Se o indivıduo se baseasse no princıpio da ex-pectancia matematica, ele estaria disposto a pagar, no maximo, o valorda esperanca matematica. Como o valor da esperanca matematica e:

E(L) =∞

∑n=1

(12

)n

·2n−1

E(L) =12·1 +

14·2 +

18·4 + · · ·= 1

2+

12

+12

+ · · ·= +∞,

ele estaria disposto a pagar qualquer preco para entrar neste jogo. Naoimporta o quao rico fosse o indivıduo, ele estaria disposto a entregartoda a sua riqueza para poder participar deste jogo. O que certamente

36

destoaria do comportamento observavel no mundo real, onde a maioriadas pessoas nao estariam dispostas a pagar mais do que uns poucosdolares para participar deste jogo. ”

Bernoulli propos entao, como solucao ao paradoxo de Sao Peters-burgo, a relativizacao do valor esperado, a avaliacao do valor atraves deuma utilidade que pode variar de acordo com o contexto do indivıduoque realiza a estimativa. Diferentemente do valor monetario, que e fixopara cada item e igual para todas as pessoas, a utilidade pode variarem funcao de diversos outros fatores. Assim, a proposicao de Bernoulliserviu como marco inicial da teoria da utilidade esperada (EU).

O calculo da utilidade esperada e semelhante ao calculo do valoresperado, porem, no lugar do valor utiliza-se a funcao utilidade de umdeterminado item xi do conjunto de itens X . Sendo assim a utilidadeesperada para uma dada loteria pode ser calculada por:

U(L) = ∑i

pi ·u(xi)

Bernoulli ainda postulou que, a medida que a riqueza aumenta,decresce a utilidade adicional devido a este aumento. Esta lei mais tardeficaria conhecida como lei da utilidade marginal decrescente. Bernoulliainda supos que a utilidade e igual ao logaritmo (em qualquer base)do resultado em termos monetarios, de forma que u(x) = logBx paraqualquer base B > 0 e B 6= 1.

Desta forma, o paradoxo de Sao Petersburgo, analisado sob aoptica da EU, seria modelado da seguinte forma:

U(X) =∞

∑n=1

(12

)n

· log10(2n−1)= 0,30103

Sendo X o preco maximo que uma pessoa estaria disposta a pagarpara entrar no jogo e sendo U(X) = log10X = 0,30103, temos que ovalor de X = 100,30103 = 2, ou seja, o valor maximo que um indivıduoestaria disposto a pagar para participar de um jogo como o propostono problema de Sao Petersburgo e 2 dolares.

Contudo, como apresentado em (CUSINATO, 2003), inserindo-se algumas modificacoes no problema, o paradoxo de Sao Petersburgoressurge. Porem a EU constitui a base para os formalismos apresen-tados em (PEARL, 1988), desta forma, mesmo a EU nao sendo sufi-cientemente expressiva para modelar todos os problemas de decisao quepermeiam o mundo humano, pode-se considera-la suficientemente ex-pressiva para a modelagem dos problemas de decisao que este trabalho

37

se propoe a tratar, sob o escopo dos CRs.

2.3 TRABALHOS CORRELATOS

O desenvolvimento de estudos na area de CNs tem levado ao de-senvolvimento de diversos metodos de cognicao do espectro e otimizacaode fatores que influenciam no desempenho das redes de computadores.Exemplos de trabalhos que dissertaram sobre sensoriamento do espec-tro e que influenciaram o presente trabalho sao:

• (CHOI, 2010) - apresenta um metodo de analise adaptativo doespectro baseado em energy detection que tem como principaiscaracterısticas de distincao dos metodos convencionais de sen-soriamento: adotar uma estrutura de sensoriamento adaptativo,prevenindo perıodos de sensoriamentos desnecessarios; combinarresultados estatısticos do metodo de sensoriamento a fim de mel-horar a adaptabilidade; realizar a tomada de decisao com base noprocesso de decisao de Markov parcialmente observavel;

• (HOSSEINI; TEIMOURI, 2010) - apresenta modelos matemati-cos para o calculo de diversos fatores relacionados com a interfer-encia de CRs em PUs. O artigo divide o regime de transmissao dosCRs junto aos PUs em dois tipos: transmissao simultanea e trans-missao nao-simultanea. No primeiro regime o CR pode transmitirno mesmo canal que um PU, porem desde que a potencia perce-bida no receptor do PU nao seja maior que um dado limiar. Nosegundo regime o CR transmite apenas em canais nao utilizadospor um PU;

• (ZHOU et al., 2010) - trata de um esquema de combinacao dosresultados, baseado em probabilidade, para sensoriamento coop-erativo do espectro. O artigo apresenta uma regra de decisaousando a regra de decisao Bayesiana, calculando a verossimil-hanca 1 entre a hipotese de existencia de PU e de nao-existenciade PU. Tal trabalho teve grande influencia para esta dissertacaoe, juntamente com (HU; WANG, 2009), compoe a premissa daexistencia de um metodo cooperativo de sensoriamento que sirvade referencia para os ajustes individuais dos CRs que compoem aCN, como sera apresentado no capıtulo 3;

1O conceito de verossimilhanca (likelihood) e definido como o atributo daquilo

que parece intuitivamente verdadeiro. Em estatıstica e calculado por L(e|H) = P(e|H)P(e|¬H)

(PEARL, 1988).

38

• (HU; WANG, 2009) - propoe um metodo de deteccao cooperativopara redes de sensores utilizando energy detection. A deteccao efeita a partir do somatorio das medidas de um dado sensor comos sensores vizinhos. O artigo faz uma analise da probabilidadede deteccao e probabilidade de falso positivo para o metodo co-operativo proposto para avaliar sua performance sobre atenuacaoRayleigh, atenuacao Nakagami-m e sombreamento Log-normal 2;

• (LEE; AKYILDIZ, 2008) - apresenta um framework para otimiza-cao dos parametros de sensoriamento, a fim de maximizar a efi-ciencia do metodo de sensoriamento. Utiliza programacao linearpara obter a otimizacao dos parametros de duracao da transmis-sao e duracao do sensoriamento. Tambem apresenta um metodode sensoriamento adaptativo e cooperativo, tendo grande influen-cia no capıtulo 3 desta dissertacao;

• (CABRIC; TKACHENKO; BRODERSEN, 2006) - trata do ex-perimento de sensoriamento do espectro em ambientes reais e ap-resenta modelos matematicos para o calculo das probabilidades dedeteccao e falso positivo. O artigo tambem apresenta um metodocolaborativo para o ajuste do sensoriamento do espectro.

Ainda, exemplos de trabalhos que tratam a tomada de decisaono espectro e que tiveram influencia sobre esta dissertacao sao:

• (LEE; AKYLDIZ, 2011) - apresenta um framework para decisaono espectro baseado em programacao linear que toma decisoes deacordo com os eventos: aparicao de um CR, aparicao de um PU edegradacao da qualidade do canal. Contudo, preve que o AP sejaequipado com varios transceptores 3 a fim de monitorar variossegmentos de banda simultaneamente;

• (LIU; KRISHNAMACHARI; LIU, 2010) - utiliza programacaolinear para escolher o melhor canal para a operacao do CR, bus-cando maximizar a performance do CR, considerando como re-stricao a probabilidade de colisao com um PU. Tem como pre-missa que o sensoriamento e perfeito e desconsidera o tempo desensoriamento;

• (KAPLAN; BUZLUCA, 2009) - propoe um esquema dinamicode decisao no espectro, baseado em funcao de utilidade, sendo

2Rayleigh, Nakagami-m e Log-normal, sao distribuicoes probabilısticas utilizadaspara modelar e simular o comportamento de variaveis como potencia ou ruıdo.

3Dispositivo que combina transmissao e recepcao.

39

a caracterizacao do espectro realizada sobre largura de banda,atraso e frequencia de aparecimento de PUs;

• (LEE; LEE, 2010) - sugere um esquema que abrange o sensoria-mento do espectro, a decisao no espectro e a transicao de canaisde forma a otimizar o gerenciamento do espectro partir de recon-hecimento de padroes levantados a partir do sensoriamento.

Por fim, mesmo este trabalho nao apresentando um capıtuloespecıfico sobre experiencias sociais das tecnologias da informacao ecomunicacao (TICs) junto a seres humanos, nem aprofundando sobrepossıveis consequencias da adocao das tecnologias propostas, dois tra-balhos subsidiaram a visao hipotetica sobre o comportamento humanoque modelou o arranjo de tecnologias aqui proposto:

• (BRANDAO; TROCCOLI, 2006) - propoe um modelo de avali-acao para o projeto Casa Brasil, contribuindo principalmente pordefinir os conceitos de dıvida digital, inclusao digital e cidadaniadigital ;

• (BARROS, 1995) - descreve as relacoes sociais e os princıpios quesubsidiam o altruısmo no ambito do mais elementar grupo socialhumano, a famılia. Propoe a nocao de que a formacao de gru-pamentos humanos deve-se ao intuito geral de proporcionar umaumento no bem-estar total do grupo. Este conceito foi funda-mental para a compreensao das possıveis motivacoes que levariamum proprietario de recursos de internet a compartilha-los comusuarios circunvizinhos.

40

41

3 SENSORIAMENTO PROBABILISTICO ECARACTERIZACAO DO ESPECTRO

Como descrito no capıtulo 1, das funcionalidades necessarias aum CR, a fundamental para garantir seu comportamento cognitivo eo sensoriamento do espectro. Para tanto, este capıtulo descrevera ummetodo de sensoriamento do espectro baseado em inferencia bayesianae calculo probabilıstico para atingir um refinamento temporal do senso-riamento do espectro, ou seja, procurando aproximar os resultados dossensoriamentos individuais de cada CR com o resultado de um metodode sensoriamento cooperativo ao longo do tempo. Desta forma, assume-se o pressuposto de que a CN implementa um metodo de sensoriamentocooperativo qualquer e que o resultado deste sensoriamento “coletivo”serve de referencia para o refinamento do resultado individual de cadaCR. Este pressuposto fundamenta-se na eficacia de tais metodos coop-erativos de deteccao de PUs, dentre os quais, alguns constam citadosno capıtulo 2, secao 2.3.

Contudo, o sensoriamento proposto neste trabalho nao se utilizado modelo de sensoriamento ON/OFF como descrito em (HOYHTYA;POLLIN; MAMMELA, 2008). Em vez disto, propoe um modelo desensoriamento composto por varios estados que descrevem a ocupacaodo canal. Visando a caracterizacao do espectro, necessaria a decisao noespectro, o sistema de sensoriamento promove a caracterizacao instan-tanea do sinal, realizando seu armazenamento na forma de historico.O acumulo dos sensoriamentos instantaneos do espectro constituira acaracterizacao do espectro, servindo como base para decisoes futuras.

3.1 UNIFICANDO DADOS COM ESTADOS DO ESPECTRO

O primeiro conceito a ser introduzido e o conceito de estado docanal, que servira para caracterizar a faixa de espectro analisada deforma instantanea. O conjunto de estados do canal pode ser apresen-tado como uma variavel aleatoria discreta, resultado do processo deanalise de uma determinada faixa do espectro (canal). A figura 1 apre-senta um hardware hipotetico constituıdo por quatro sensores basicos:sensor de PU, sensor de SNR, sensor de potencia e modem, presentesem qualquer CR. O sensor de PU, o de SNR e o modem apresentamdois estados distintos. Ja o sensor de potencia possui dois limiares, o detransmissao e o de recepcao, podendo desta forma assumir tres estados

42

distintos: ocioso (idle), sensoriando (sensing) ou recebendo (receiv-ing). A partir daı pode-se inferir que o espectro pode ser percebido de23×3 = 24 formas distintas pelo hardware proposto. Contudo, a com-binacao de alguns estados dos sensores acaba por nao demonstrar maisutilidade semantica que outra combinacao. Por exemplo, tendo o sen-sor de PU sido acionado, independentemente do estado que os demaissensores possam apresentar (bit = 1, SNR = 0 etc), deve-se concluirque o sinal provem de um PU e portanto prevenir qualquer possıvelinterferencia a este PU.

Figura 1: Hardware hipotetico para elaboracao da rede bayesiana.

E proposto entao um conjunto de estados do canal que real-mente sao de interesse para sua caracterizacao instantanea, sendo esteconjunto EC = {n, p,h, l,u}, em que:

• n - sem sinal, correspondente ao radio estar ocioso (no signal);

• l - bit baixo, correspondente a um bit 0 (low);

• h - bit alto, correspondente a um bit 1 (high);

• u - sinal desconhecido, correspondente a indecidibilidade devidoa ruıdo ou interferencia (unknow);

• p - PU, correspondente a deteccao de atividade de um PU (pri-mary user).

A funcao de mapeamento que opera o domınio dos estados dossensores para a respectiva imagem, em estados do canal, pode ser ob-servada na tabela 1, onde e demonstrada cada combinacao de possıveisvalores.

Dispondo cada amostra instantanea, em funcao do tempo, seragerada uma sequencia de dados caracterizada pelo instante em que oespectro assumiu um determinado estado e o instante em que ele aban-donou este estado. Definindo-se isto em linguagem formal, obter-se-a

43

uma serie temporal composta por uma sequencia de tuplas: (tinicio, t f im,ec),em que ec e o estado do canal e tinicio e t f im sao os instantes inicial efinal, respectivamente, que o espectro assumiu tal estado. A figura 2apresenta de forma grafica o resultado do sensoriamento do espectro notempo.

Figura 2: Sequencia temporal de estados produzida pela inferenciabayesiana.

Este conceito foi apresentado pela primeira vez em (MENDES;WESTPHALL; GARCIA, 2010), onde foi demonstrada uma sequenciadestes estados do canal que permitiria o reconhecimento por expressoesregulares. Uma vez que a sequencia destes estados fosse reconhecida,poderia ser classificada e encaminhada para o mecanismo apropriadoa interpretacao da mensagem: o mecanismo de tratamento dos dadosou o mecanismo de analise e estatıstica do espectro. Estes mecanismosdeveriam ficar na camada de controle responsavel por operar o CR.Esta camada de controle pode ser identificada na figura 3, que mostra aarquitetura proposta em (MENDES; WESTPHALL; GARCIA, 2010),na qual existe um controle que recolhe estatısticas e informacoes detodas as camadas para entao ajusta-las conforme a necessidade.

A unificacao dos estados de dados e dos estados do espectro esobretudo importante pois unifica a aquisicao de informacao sobre oestado do canal, permitindo uma analise mais profunda do compor-tamento do espectro ao longo do tempo. O armazenamento destasinformacoes historicas, de forma massiva ou atraves de medidas de sın-tese, constitui a perspectiva de sensibilidade ao contexto, que permitirao efetivo desenvolvimento de mecanismos cognitivos mais sofisticados.

44

Figura 3: Arquitetura parcial a ser suportada por um framework paraoperacao do radio.

45

PU

Sen

sor

SN

RS

enso

rP

ower

Sen

sor

Bit

Sen

sor

Chan

nel

Chan

nel

Sta

te

Det

ecta

do

Ace

itav

elR

eceb

endo

Alt

oIn

dif

eren

tep

Det

ecta

do

Ace

itav

elR

eceb

endo

Baix

oIn

dif

eren

tep

Det

ecta

do

Ace

itav

elSen

sori

ando

Alt

oIn

dif

eren

tep

Det

ecta

do

Ace

itav

elSen

sori

ando

Baix

oIn

dif

eren

tep

Det

ecta

do

Ace

itav

elO

cioso

Alt

oIn

dif

eren

tep

Det

ecta

do

Ace

itav

elO

cioso

Baix

oIn

dif

eren

tep

Det

ecta

do

Nao

-ace

itav

elR

eceb

endo

Alt

oIn

dif

eren

tep

Det

ecta

do

Nao

-ace

itav

elR

eceb

endo

Baix

oIn

dif

eren

tep

Det

ecta

do

Nao

-ace

itav

elSen

sori

ando

Alt

oIn

dif

eren

tep

Det

ecta

do

Nao

-ace

itav

elSen

sori

ando

Baix

oIn

dif

eren

tep

Det

ecta

do

Nao

-ace

itav

elO

cioso

Alt

oIn

dif

eren

tep

Det

ecta

do

Nao

-ace

itav

elO

cioso

Baix

oIn

dif

eren

tep

Nao

det

ecta

do

Ace

itav

elR

eceb

endo

Alt

oIn

dif

eren

teh

Nao

det

ecta

do

Ace

itav

elR

eceb

endo

Baix

oIn

dif

eren

tel

Nao

det

ecta

do

Ace

itav

elSen

sori

ando

Alt

oIn

dif

eren

teh

Nao

det

ecta

do

Ace

itav

elSen

sori

ando

Baix

oIn

dif

eren

tel

Nao

det

ecta

do

Ace

itav

elO

cioso

Alt

oIn

dif

eren

ten

Nao

det

ecta

do

Ace

itav

elO

cioso

Baix

oIn

dif

eren

ten

Nao

det

ecta

do

Nao

-ace

itav

elR

eceb

endo

Alt

oIn

dif

eren

teu

Nao

det

ecta

do

Nao

-ace

itav

elR

eceb

endo

Baix

oIn

dif

eren

teu

Nao

det

ecta

do

Nao

-ace

itav

elSen

sori

ando

Alt

oIn

dif

eren

teu

Nao

det

ecta

do

Nao

-ace

itav

elSen

sori

ando

Baix

oIn

dif

eren

teu

Nao

det

ecta

do

Nao

-ace

itav

elO

cioso

Alt

oIn

dif

eren

ten

Nao

det

ecta

do

Nao

-ace

itav

elO

cioso

Baix

oIn

dif

eren

ten

Tab

ela

1:T

abel

ad

em

ap

eam

ento

esta

tico

de

esta

dos

dos

sen

sore

spara

esta

do

do

canal.

46

3.1.1 Sıntese dos estados do canal, a base para a modelagemprobabilıstica

Uma vez estabelecido o conceito dos estados do canal, surgiua necessidade de construir um mecanismo adaptativo que efetivamenteconvertesse sequencias de estımulos diversos, advindos de sensores inde-pendentes, em uma sequencia unica de percepcoes temporais acerca docanal sensoriado. Para tanto, baseado no hardware hipotetico descritona figura 1, foi modelada uma rede bayesiana que, tendo os estadosdos sensores lancados como evidencias em seus nos de entrada, produzem seu no de saıda uma distribuicao probabilıstica acerca dos estadosdo canal. O hardware hipotetico e formado por quatro sensores, sendoestes:

• sensor de bit - resultado do circuito de demodulacao do radio;

• sensor de SNR - resultado da aplicacao do limiar de SNR ao valorpercebido a partir do espectro;

• sensor de potencia - resultado da aplicacao dos limiares de poten-cia a potencia percebida a partir do espectro;

• sensor de PU - resultado da aplicacao do limiar de deteccao dePU ao valor percebido pelo circuito responsavel por detectar PUsno espectro.

Contudo, o modelo apresenta mais um sensor que nao provemdo hardware e sim do mecanismo de analise estatıstica, o sensor dehistorico. O diagrama com a rede bayesiana modelada pode ser vistona figura 4.

O historico de ocupacao do espectro e formado a partir da infer-encia cooperativa do estado do espectro. Contudo, aqui nao sera detal-hado o mecanismo cooperativo de sensoriamento do espectro. Para finsde desenvolvimento deste trabalho, basta assumir que existem meto-dos para fazer a deteccao cooperativa de um usuario primario (comoos demonstrados em (ATAPATTU; TELLAMBURA; JIANG, 2011) e(ZHOU et al., 2010)); e que esta deteccao e operada atraves de um canalde controle. Assim, uma vez que e realizada a deteccao pelo CR e a de-teccao cooperativa, o resultado assumido como correto e o provenientedo metodo cooperativo. Desta forma, o historico de deteccao do metodocooperativo e registrado no CR como a tupla (tinicio, t f im,chn, pucoop),onde tinicio e t f im sao os instantes inicial e final, respectivamente, em queo espectro assumiu este estado, chn e o canal para o qual a deteccao foi

47

Figura 4: Inferencia bayesiana a partir do estado dos sensores.

feita e pucoop e um valor booleano (ON/OFF) que representa a deteccaoou nao de um PU no espectro.

A partir daı, uma vez que se constitui um historico de deteccoes,pode-se minerar este historico estratificando-o por um conjunto de fa-tores F , a definir por: mes do ano, semana do ano, dia da semana, diado mes e hora do dia; garantindo assim uma correlacao da aparicao ounao de PUs com uma sazonalidade especıfica. Desta forma, pode-se in-ferir qual a maior probabilidade de ocupacao do canal (P(puo

coop|chn)|o∈{on,o f f}) e entao lancar o estado com maior probabilidade na formade evidencia, no nodo sensor de historico da rede bayesiana. A figura5 demonstra de forma visual esta estratificacao para um dado canal.

Figura 5: Estratificacao dos tempos de cada estado do canal pelosfatores temporais para composicao da evidencia no sensor de historico.

48

A inferencia da probabilidade da presenca de PUs no canal efeita criando-se uma matriz de probabilidades PHchn de 2×5, cruzandoos possıveis estados de deteccao com os fatores analisados.

PHchn =

phchn11 , phchn

12phchn

21 , phchn22

phchn31 , phchn

32phchn

41 , phchn42

phchn51 , phchn

52

Nesta matriz, cada elemento phchn

f o e obtido pela equacao 3.1:

phchni j =

tchnf o

tchnf

(3.1)

em que tchnf o e o tempo total de deteccao o para o fator f no canal n e

tchnf e o tempo total do fator f para o canal n.

Nao obstante, pode-se tambem inferir uma probabilidade de umdeterminado canal apresentar uma ocupacao por um PU ou nao. Ocalculo desta probabilidade dar-se-a pela equacao 3.2:

P(o|chn) =t(o,chn)

tchn

(3.2)

em que t(o,chn) e o tempo total de estado o para o canal n e tchn e o tempototal registrado de analise do canal n.

Adicionando-se o sensor de historico ao hardware hipotetico,pode-se vislumbrar um esquema mais completo deste hardware, comoo apresentado na figura 6, onde aparece o sensor de historico como umsensor “virtual”. Tambem e apresentada a camada de controle ligada acamada MAC, por onde trafegam os dados para a execucao do metodode deteccao cooperativo.

3.2 CORRELACOES E APRENDIZAGEM

Uma vez que haja a analise do historico de deteccoes, e possıvelpartir para o refinamento das inferencias do estado do espectro. Esterefinamento se da pela alteracao das probabilidades a priori que cor-relacionam o estado do canal com o sensor de PU, o sensor historicoe o canal. Desta forma, a rede bayesiana vai sendo adaptada para ter

49

Figura 6: Hardware hipotetico apresentando o sensor de historico “vir-tual”.

seus resultados aproximados do resultado do metodo cooperativo dedeteccao.

O calculo da probabilidade de cada estado do canal eck e feitopelo somatorio de todas as probabilidades de eck para um determinadoconjunto de evidencias, ou seja, a probabilidade de cada estado do canaleck apresentado na figura 4 sera dada pela equacao 3.3:

P(eck|e1, ...,e6) =P(e1, ...e6, |eck) ·P(eck)

P(e1, ...,e6)(3.3)

em que en sao as evidencias para cada um dos nodos da rede bayesiana,condicionalmente independentes ligados a EC.

Desta forma, as probabilidades a priori P(SPU |EC), P(SH|EC),P(CH|EC), para os nodos sensor de PU (SPU), sensor de historico (SH)e canal (CH), respectivamente, sao atualizadas atraves da operacaodas frequencias das evidencias de cada sensor pelo resultado do metodocooperativo, como mostram as equacoes 3.4, 3.5 e 3.6:

P(spui|eck) =n(i,k)

n(k)|i ∈ SPU,k ∈ EC, (3.4)

50

P(shi|eck) =n(i,k)

n(k)|i ∈ SH,k ∈ EC, (3.5)

P(chi|eck) =n(i,k)

n(k)|i ∈CH,k ∈ EC, (3.6)

A figura 7 mostra a contagem das frequencias de cada um dosestados do canal versus o respectivo estado do sensor.

Figura 7: Cruzamento dos estados do canal com os sensores paraobtencao das frequencias estratificadas.

3.3 CARACTERIZACAO DO ESPECTRO

A caracterizacao do espectro, que servira como base para a tomadade decisao sobre qual canal escolher para a operacao, pode ser encon-

51

trada na propria rede bayesiana modelada. Lancando-se no nodo ECa evidencia da existencia de um PU, pode-se obter a probabilidade decada canal, ou seja: P(chn|p), gerando um mapa dos canais com maiorou menor probabilidade de se encontrar um PU. A figura 8 mostra asprobabilidades de cada canal, uma vez que e lancada a existencia deum PU como evidencia. O calculo para a obtencao da probabilidadede um canal ser ocupado por um PU e dado pela equacao 3.7:

P(chn) = P(chn|p)P(p) (3.7)

Uma vez formado um vetor de canais, ordenado pela probabili-dade de deteccao de PU, basta escolher o canal com menor probabili-dade.

52

Fig

ura

8:In

fere

nci

abay

esia

na

da

pro

babilid

ade

de

cad

aca

nal

dad

aa

evid

enci

ade

um

PU

.

53

4 DECISAO PROBABILISTICA NO ESPECTRO

Antes de abordar a tomada de decisao, o mecanismo aqui pro-posto requer uma adequacao da caracterizacao do espectro para fins detomada de decisao ou, por assim dizer, uma caracterizacao do espectrode segundo nıvel. Assim, a partir da serie temporal discreta, formadapelos estados do canal selecionado dispostos no tempo, e possıvel inferirparte da ocupacao do canal que sera necessaria a tomada de decisao. Oconjunto de ocupacoes aqui definido sera composto por quatro estadosdistintos, exclusivos entre si: vazio, PU, PV e PB. Desta forma, quandoo estado do canal encontrar-se no estado n, significa que a ocupacao docanal era vazia. No caso do estado do canal p, significa que o espectroesta sendo ocupado por um PU . Ja os dois ultimos estados, PV e PB,podem ser inferidos a partir de sequencias de estados h e/ou l, contudo,para a definicao da demanda correta e necessario informacao adicionalda camada de controle para extracao da informacao do corpo do framerecebido. A figura 9 demonstra a serie temporal de ocupacoes do canalgerada a partir da serie de estados do canal (figura 2).

Figura 9: Serie de estados do canal convertida em ocupacao do canal.

Como citado na revisao da literatura, o processo de decisao noespectro pode ser subdividido em caracterizacao e decisao. A caracter-izacao, neste trabalho, foi descrita no capıtulo 3, formando-se uma listade canais com as respectivas probabilidades P(chn|p) que permitem aselecao do canal de acordo com a probabilidade da existencia de PU.Tambem, no capıtulo 3, foi descrito o mecanismo de caracterizacao doespectro a partir do historico de cada canal. Desta forma, este capıtulotratara tao somente dos mecanismos de decisao, baseado na utilidadeesperada de cada uma (loteria).

De acordo com a teoria da decisao, com base no princıpio dautilidade esperada, e necessario primeiramente definir as possıveis de-cisoes ou, conceitualmente falando, as loterias entre as quais o CR podeoptar. Sao elas:

• varrer o espectro;

• ocupar um canal (trata-se da decisao de ocupar um canal qual-quer, nao exatamente um canal especıfico);

54

L11 varrer o espectroL12 operar no espectroL21 abandonar o canalL22 continuar operandoL31 admitir PBsL32 demitir PBs

Tabela 2: Loterias simples e seus respectivos significados.

• abandonar o canal;

• liberar o acesso a PBs;

decisoes estas que, dentro do modelo probabilıstico proposto, acabamconvertendo-se em tres decisoes binarias (ou tres loterias compostas porduas loterias), a citar:

• varrer o espectro ou operar no espectro;

• abandonar o canal ou continuar operando;

• admitir ou demitir PBs.

Define-se entao o conjunto de loterias compostas L = L1,L2,L3,passıveis de decomposicao em L = L11,L12,L21,L22,L31,L32, como demon-strado na tabela 4.

Ademais, de cada loteria composta, pode-se inferir um contextode consequencias diferente. Cada contexto e na realidade um conjuntode consequencias que pode ser aplicado a loteria composta Lx, sendoestas aplicaveis ou nao a cada uma das loterias simples. Estes contex-tos formam um unico conjunto global de consequencias C = C1,C2,C3,demonstrado na tabela 3. Cada contexto e decomposto e apresentadona tabela 4, com a respectiva utilidade associada a consequencia, deacordo com o contexto.

Contudo, segundo a EU, e necessario que a utilidade de cadaconsequencia seja multiplicada por sua respectiva probabilidade. Destaforma, foi criada uma rede bayesiana para realizar a inferencia da prob-abilidade de cada consequencia de acordo com a observacao de determi-nados fatores, como: a demanda esperada, a qualidade da informacaodisponıvel, a ocupacao do canal e a proxima ocupacao do canal prevista.

A figura 10 apresenta a rede bayesiana modelada para operar adecisao no espectro, em que cada consequencia e os respectivos fatoresque influenciam em suas probabilidades sao modelados como nos de

55

Consequencias

aproveitarOportunidadedesperdicarOportunidadeinterferirEmPUoperarSobPerformanceRuimoperarSobPerformanceBoanegligenciarPVnegligenciarPBatenderPVatenderPB

Tabela 3: Consequencias e suas respectivas utilidades.

Conjunto Consequencia Definicao Utilidade

C1

c11 aproveitarOportunidade 100c12 desperdicarOportunidade -100c13 interferirEmPU -200c14 operarSobPerformanceRuim -50c15 operarSobPerformanceBoa 100c16 negligenciarPV -100c17 negligenciarPB -10c18 atenderPV 100c19 atenderPB 80

C2

c21 interferirEmPU -200c22 negligenciarPV -100c23 negligenciarPB -10c24 atenderPV 100c25 atenderPB 80c26 aproveitarOportunidade 100c27 desperdicarOportunidade -100

C3

c31 negligenciarPV -50c32 negligenciarPB -50c33 atenderPB 100

Tabela 4: Consequencias e suas respectivas utilidades.

56

entrada, as decisoes sao modeladas como nos de decisao (com o nomeDecisaox) e as respectivas tabelas de utilidade sao mapeadas nos nos deutilidade (com o nome de Ux).

Nas secoes a seguir sera feito um aprofundamento sobre cada de-cisao, suas consequencias e os fatores que influenciam na probabilidadede cada consequencia.

57

Fig

ura

10:

Red

eco

mo

model

oco

mp

leto

de

dec

isao.

58

4.1 VARRER O ESPECTRO OU OPERAR NO ESPECTRO

A primeira decisao pode ser modelada na forma de uma loteriacomposta L1, com duas loterias simples L11 e L12, em que L11 representaa decisao por varrer o espectro e L12 representa a decisao por operar noespectro. Na rede bayesiana que modela o problema de decisao, foramselecionados como fatores para a inferencia da probabilidade de cadaconsequencia a demanda esperada e a qualidade da informacao.

A demanda esperada refere-se a previsao de demanda para oinstante t + n, em que t e o instante de tempo atual e n e o intervalode tempo do qual trata a previsao. A previsao e feita calculando-sea probabilidade de cada demanda d do espectro, estratificado por umconjunto de fatores F a definir por: mes do ano, semana do ano, diada semana, dia do mes e hora do dia. A mineracao do historico deocupacoes mantido pelo CR resultara em uma matriz de elementospd f d , em que:

PD =

pd11 pd12 pd13pd21 pd22 pd23pd31 pd32 pd33pd41 pd42 pd43pd51 pd52 pd53

Este mecanismo de inferencia sera o mesmo utilizado para prever

a proxima ocupacao do canal, contudo, aqui ele e simplificado paraapenas tres tipos de ocupacao: sem demanda, usuario primario, usuariopublico; e tambem e independente de canal. Desta forma, o termo“demanda” sera utilizado quando a previsao for feita para o espectrocomo um todo, e o termo “ocupacao” sera utilizado para a previsaodado um canal selecionado.

Sendo a proxima demanda o que se deseja inferir, deve-se primeira-mente classificar o instante t + n de acordo com os fatores supracita-dos. Apos isto, deve-se analisar os registros de ocupacao do espectro,realizando-se a soma do montante de tempo que o radio esteve sob umadeterminada demanda, e em seguida normalizar o valor dividindo-o pelototal de tempo de operacao para o respectivo estrato, como definido em4.1.

pd f d =t f d

t f(4.1)

Apos o calculo de cada pd f d , deve-se entao somar todas as proba-

59

bilidades para cada uma das possıveis demandas e dividir pelo numerode fatores, encontrando-se assim a probabilidade media de cada de-manda. A demanda que obtiver maior probabilidade sera escolhidacomo a demanda predominante e lancada na rede bayesiana na formade evidencia.

O passo seguinte e definir um mecanismo para a inferencia daqualidade da informacao. A qualidade da informacao refere-se a prox-imidade ou afastamento temporal da ultima varredura. Apos realizaruma varredura completa do espectro, a qualidade da informacao deveser classificada como boa, sendo neste instante o momento em que o CResta mais qualificado para tomar uma decisao de operar no espectro,pois o espectro esta caracterizado da melhor forma possıvel. Com oafastamento temporal da ultima varredura, a informacao vai tornando-se defasada ate tornar-se efetivamente ruim.

Para a classificacao da informacao, foi escolhido um quamtumde tempo, dado por um parametro qt = 3 horas, de onde o mapea-mento para a variavel qualitativa QI = {boa,media,ruim} pode ser feitoseguindo-se a funcao expressa em 4.2.

f (tu, t) =

boa , se (tu− t)≤ qt

3media , se (tu− t) > qt

3 ∧ (tu− t)≤ 2qt3

ruim , se (tu− t) > 2qt3

(4.2)

onde tu e o instante em que foi realizada a ultima varredura do espectroe t e o instante atual. Desta forma, a qualidade da informacao podeser definida e lancada na rede bayesiana como uma evidencia.

Apos o lancamento de cada evidencia, o sistema calcula a prob-abilidade de cada consequencia, dada a sua correlacao com cada umadas evidencias, ou seja, e necessario inferir P(c1x|pd,qi), em que, se-gundo o modelo proposto, a probabilidade de c1x pode ser calculadapela equacao 4.3.

P(c1x|pd,qi) =P(pd|c1x) ·P(c1x)

P(pd)+

P(qi|c1x) ·P(c1x)

P(qi)(4.3)

Apos o calculo de cada uma das P(c1x), deve-se entao promovero calculo da utilidade de cada uma das loterias simples L11 e L12, obtidoatraves do somatorio da utilidade esperada para cada uma destas lote-rias. Com isso, U(L1y) pode ser calculada pela equacao 4.4.

60

U(L1y) = ∑P(c1x|pd,qi) ·uy1x (4.4)

Na equacao 4.4, a variavel uy1x representa a utilidade para a con-

sequencia c1x caso seja escolhida a loteria y.Logo, sera realizada a escolha por L11 caso U(L11) > U(L12) e

por L12 caso U(L12) ≥ U(L11). No caso de igualdade, pode-se obser-var a escolha por L11, priorizando assim a operacao em detrimento dosensoriamento.

4.2 ABANDONAR O CANAL OU CONTINUAR OPERANDO

Neste ponto, e como requisito para que L2 possa ser avaliada, oradio ja deve ter passado pela decisao sobre L1. E isto que pode serobservado na figura 10, com o arco direcionado, de origem em Decisao1e destino em Decisao2. Contudo, o modelo grafico da figura 10 naodemonstra uma regra implıcita ao modelo implementado: a segundadecisao so sera avaliada caso o radio esteja em operacao, ou seja, so seradecidido por continuar operando ou abandonar o canal caso o resultadoda avaliacao de L1 seja L12 (operar no espectro).

A maquina de estados que apoia o controle do sistema de tomadade decisao pode ser vista na figura 11, onde cada loteria e mapeada paraum estado diferente e cada decisao representa uma transicao entre osestados. No desenho, a decisao 3 aparece pontilhada e contida dentroda decisao 2, pois ela constitui um subestado desta, de forma que,enquanto o sistema estiver avaliando continuar operando ou abandonaro espectro, tambem estara avaliando admitir ou demitir PBs; da mesmaforma, deixando de avaliar a decisao 2, deixa tambem de avaliar adecisao 3.

Antes de apresentar o calculo para a utilidade esperada das lo-terias que compoem L1, e necessario discorrer sobre as duas variaveisaleatorias do modelo bayesiano apresentado que nao foram detalhadasate o momento. A ocupacao do canal e a proxima ocupacao do canalsao duas variaveis que podem ocupar os mesmos valores discretos:

POC = OC = {vazio,PU,PV,PB,degradado}

Entretanto, enquanto a ocupacao do canal refere-se a caracterizacao at-ual do espectro, e e atualizada a qualquer mudanca atual do estado doespectro, a proxima ocupacao do canal refere-se a expectativa de car-acterizacao do canal para o proximo quantum de tempo. A exemplo da

61

Figura 11: Maquina de estados de apoio ao sistema de tomada dedecisao.

demanda esperada, a proxima ocupacao do canal e dada pela mineracaodos registros de ocupacao, porem desta vez e levado em consideracao ocanal selecionado. Os registros de ocupacao do canal devem ser estrat-ificados pelo mesmo conjunto de fatores E, com fim de auferir a maiorprobabilidade de ocupacao do canal para o instante t +n, com n igual a1hora. A matriz de probabilidades da ocupacao, bem como a obtencaode cada probabilidade da ocupacao predominante para o instante t + nse da de forma identica a demanda esperada a nao ser pelo fato deque os registros minerados devem pertencer apenas ao canal sobre oqual o CR esta operando. Apos o calculo, o sistema lanca a ocupacaopredominante como uma evidencia no nodo da rede bayesiana.

Definidas entao todas as variaveis aleatorias que compoem omodelo, e sendo a loteria L2 composta pelas duas loterias L21 e L22, cor-respondentes respectivamente a abandonar o canal e continuar operando,como descrito na tabela 4, do mesmo modo como foi calculada a util-idade esperada das loterias que compunham L1 podemos calcular asutilidades esperadas U(L21) e U(L22) a partir da equacao 4.5.

U(L2y) = ∑P(c2x|poc,oc,qi) ·uy2x (4.5)

P(c2x|poc,oc,qi) = P(poc|c2x)·P(c2x)P(poc) +

P(oc|c2x)·P(c2x)P(oc) +

P(qi|c2x)·P(c2x)P(qi)

(4.6)

62

Na equacao 4.6, e apresentado o detalhamento do calculo deP(c2x|poc,oc,qi). E, semelhantemente ao exposto na secao 4.1, uy

2x rep-resenta a utilidade para a consequencia c2x caso seja escolhida a loteriay.

Por fim, a decisao por L21 ou L22 sera tomada com base nacomparacao U(L21) ≥U(L22) ou U(L22) > U(L21), respectivamente. Apreferencia pela decisao de abandonar o canal deve-se a necessidade deprevenir a possıvel interferencia em um PU, sendo assim, qualquer in-determinacao (igualdade entre as utilidades esperadas) deve privilegiaro abandono do canal.

4.3 ADMITIR OU DEMITIR USUARIOS PUBLICOS

A decisao sobre admitir ou demitir PBs constitui o artifıcio tec-nologico chave para a proposta deste trabalho: viabilizar o altruısmono compartilhamento dos recursos de internet. Neste ponto, o sistemanecessita priorizar a utilizacao do espectro para os PVs, da mesmaforma que as CNs priorizam o espectro para os PUs. Por este mo-tivo, o mecanismo para decisao sobre a loteria L3 e muito semelhantea L2, porem, nao carece de evidencias sobre a qualidade da informacaopara a tomada de decisao, considerando apenas a ocupacao do canale a proxima ocupacao do canal. Como anteriormente apresentado natabela 4, as loterias L31 e L32, correspondem respectivamente a admitirPBs e demitir PBs. Os calculos para a obtencao das utilidades esper-adas U(L31) e U(L32) sao apresentados na equacao 4.7 e detalhados naequacao 4.8.

U(L3y) = ∑P(c3x|poc,oc) ·uy3x (4.7)

P(c3x|poc,oc) =P(poc|c3x) ·P(c3x)

P(poc)+

P(oc|c3x) ·P(c3x)

P(oc)(4.8)

A escolha por L31 ou L32 se concretiza com base na comparacaoU(L21) >U(L22) ou U(L22)≥U(L21), respectivamente. Novamente aquipode-se observar a priorizacao de uma acao em detrimento de outra, ouseja, a acao de demitir PBs tem predominancia devido a necessidadede proteger os PVs.

63

5 EXPERIMENTOS

O experimento realizado foi fruto de simulacao computacional eteve como objetivo aferir a capacidade da deteccao de PUs realizadapela rede bayesiana de aproximar-se do suposto resultado de um metodocooperativo qualquer.

5.1 AMBIENTE DE SIMULACAO

No inıcio dos trabalhos houve a tentativa de utilizar o simuladorJist-Swans ?? para a realizacao das simulacoes. Entretanto, como adissertacao desenvolveu seu foco principal em torno da caracterizacao edecisao no espectro, nao foi necessario o uso de um simulador de redespara a validacao dos estudos aqui propostos.

Logo, a simulacao foi desenvolvida para testar a acuracia da redebayesiana de sensoriamento do espectro, em linguagem de programacaoJava (versao 1.6), utilizando a biblioteca NeticaJ ?? para a inferenciabayesiana. Para geracao de numeros aleatorios, foi utilizada a classeRandom, que compoe a biblioteca padrao da linguagem Java desde suaversao 1.1.

5.2 METODO DE EXPERIMENTACAO

O metodo de experimentacao constituiu-se da geracao de umamassa de dados contendo valores para cada um dos nos da rede bayesianade sensoriamento do espectro e o respectivo resultado esperado pelo node saıda, que para uma deteccao perfeita representa o mesmo resultadodo metodo cooperativo. Desta forma, a acuracia da rede bayesiana podeser medida comparando-se o resultado do no de saıda com o resultadoesperado. Desta comparacao pode-se tirar a porcentagem de deteccoescorretas, de falsos positivos e falsos negativos, para uma determinadaamostra. Entao, comparando-se varias amostras, e possıvel avaliar odesempenho de redes bayesianas com diferentes tratamentos.

Como tratamento foram utilizados dois mecanismos de controlepara a rede bayesiana. O primeiro consistiu-se da recuperacao de cadalinha da massa de dados gerada e entao do lancamento de cada celulacomo uma evidencia nos nos de entrada da rede, para posteriormentecomparar o resultado produzido com o resultado esperado e obter a

64

Sensor de potenciaEstado do canal recebendo sensoriando ocioso

n 0.1 0.2 0.7p 0.2 0.6 0.2l 0.7 0.2 0.1h 0.7 0.2 0.1u 0.2 0.7 0.1

Tabela 5: Tabela de probabilidades a priori do sensor de potencia.

porcentagem de deteccoes corretas e de cada um dos tipos de erro.O segundo tratamento foi constituıdo de uma primeira inferencia, talqual o primeiro, seguida de uma atualizacao das probabilidades a priorida rede bayesiana, seguida de nova inferencia e entao obtencao dasporcentagens de acertos e erros.

5.3 DADOS DO EXPERIMENTO

Foi gerada uma massa de dados contendo dez amostras de 1.000.000registros cada, com evidencias para cada um dos sensores da redebayesiana e a respectiva existencia ou nao de um PU, que representa oresultado do metodo cooperativo. A existencia de PU foi gerada comuma correlacao de 98% em relacao a deteccao pelo sensor de historico,uma correlacao de 95% para o sensor de PU, de 90% para os canais 1e 3 e de 99% para a combinacao dos tres fatores anteriores.

O experimento consistiu em acompanhar primeiramente a taxade deteccoes corretas, falsos positivos e falsos negativos para a redebayesiana com as probabilidades a priori configuradas de forma padrao(manual) e comparar com a evolucao destas taxas de acordo com aaprendizagem de proposta do capıtulo 3.

Inicialmente, a rede bayesiana com as probabilidades a priori ini-ciais (como pode ser visto nas tabelas 5, 6, 7, 8, 9) apresentou para cadauma das dez amostras as taxas de: deteccoes corretas, falsos positivose falsos negativos, demonstradas na tabela 10.

Em seguida, foi aplicado o mecanismo de atualizacao das prob-abilidades a priori como descrito no capıtulo 3, e entao executada no-vamente a inferencia bayesiana sobre a massa de dados de teste. Destavez, porem, foi obtido um incremento na precisao das inferencias (ex-ceto pelo fator falsos positivos), como demonstrado na tabela 11.

Foi entao realizado o teste t de Student sobre cada um dos fatores

65

Sensor de SNREstado do canal aceitavel nao-aceitavel

n 0.5 0.5p 0.5 0.5l 0.9 0.1h 0.9 0.1u 0.1 0.9

Tabela 6: Tabela de probabilidades a priori do sensor de SNR.

Sensor de PUEstado do canal detectado nao detectado

n 0.1 0.9p 0.9 0.1l 0.1 0.9h 0.1 0.9u 0.1 0.9

Tabela 7: Tabela de probabilidades a priori do sensor de PU.

Sensor de historicoEstado do canal detectado nao detectado

n 0.05 0.95p 0.95 0.05l 0.05 0.95h 0.05 0.95u 0.05 0.95

Tabela 8: Tabela de probabilidades a priori do sensor de historico.

Sensor de BitEstado do canal baixo alto

n 0.5 0.5p 0.5 0.5l 0.9 0.1h 0.1 0.9u 0.5 0.5

Tabela 9: Tabela de probabilidades a priori do sensor de bit.

66

Deteccoes corretas 52.94199% Deteccoes corretas 55.00145%Falsos positivos 0.02220672% Falsos positivos 0.22410801%Falsos negativos 33.27160% Falsos negativos 35.12942%Outros erros 9.246863% Outros erros 9.929338%Deteccoes corretas 54.53588% Deteccoes corretas 51.91199%Falsos positivos 1.23679509% Falsos positivos 2.00226766%Falsos negativos 34.76599% Falsos negativos 32.58728%Outros erros 10.205184% Outros erros 7.595962%Deteccoes corretas 54.90119% Deteccoes corretas 54.33991%Falsos positivos 1.27010332% Falsos positivos 1.45993166%Falsos negativos 33.03327% Falsos negativos 33.25042%Outros erros 10.456471% Outros erros 9.353767%Deteccoes corretas 54.20737% Deteccoes corretas 55.13705%Falsos positivos 0.42762712% Falsos positivos 1.03879143%Falsos negativos 35.09971% Falsos negativos 36.61038%Outros erros 9.548630% Outros erros 13.634905%Deteccoes corretas 57.81022% Deteccoes corretas 54.80366%Falsos positivos 0.19738732% Falsos positivos 0.99142977%Falsos negativos 31.67294% Falsos negativos 36.88774%Outros erros 11.981746% Outros erros 10.093990%

Tabela 10: Estatısticas referentes a inferencia bayesiana.

67

Deteccoes corretas 72.56142% Deteccoes corretas 73.58277%Falsos positivos 2.773733% Falsos positivos 1.152547%Falsos negativos 15.93073% Falsos negativos 16.83848%Outros erros 12.063496% Outros erros 10.683766%Deteccoes corretas 72.77425% Deteccoes corretas 72.17432%Falsos positivos 4.046229% Falsos positivos 3.433341%Falsos negativos 16.84034% Falsos negativos 16.65270%Outros erros 9.440015% Outros erros 11.629258%Deteccoes corretas 70.21707% Deteccoes corretas 71.52208%Falsos positivos 2.132026% Falsos positivos 2.464341%Falsos negativos 13.55488% Falsos negativos 12.25033%Outros erros 10.123213% Outros erros 9.865570%Deteccoes corretas 73.70314% Deteccoes corretas 70.51181%Falsos positivos 2.414858% Falsos positivos 2.134628%Falsos negativos 14.87663% Falsos negativos 16.07501%Outros erros 10.099685% Outros erros 10.837753%Deteccoes corretas 71.45496% Deteccoes corretas 72.67558%Falsos positivos 2.557608% Falsos positivos 3.454120%Falsos negativos 15.88878% Falsos negativos 17.26755%Outros erros 11.201546% Outros erros 10.254139%

Tabela 11: Estatısticas referentes a aprendizagem das probabilidades apriori.

68

e comparado seu resultado, como pode ser visto no apendice A, obtendodiferencas significativas em todos os fatores.

O experimento revelou melhoras significativas na acuracia darede bayesiana apos a aprendizagem das probabilidades a priori, con-tudo, infelizmente os experimentos nao revelaram melhoras positivasem todos os fatores. O fator falsos positivos teve um incremento naporcentagem media de erros.

Apesar disto pode-se afirmar que a utilizacao de redes bayesianaspara sensoriamento do espectro e suficientemente expressiva para senso-riar e caracterizar o espectro, ou seja, a partir de entradas discretas desensores de um radio cognitivo, e possıvel obter um diagnostico sobre oestado do canal utilizando-se redes bayesianas. Pode-se tambem afirmarque, acompanhada de um metodo de aprendizagem, a rede bayesiana ecapaz de melhorar seu desempenho em ambientes de incerteza.

Outra observacao a ser feita em tempo e sobre a nao-realizacaode experimentos sobre o modulo de tomada de decisao. Assim comorelatado em (LEE; AKYLDIZ, 2011), em que e destacada a incapaci-dade de comparar seus resultados com outros trabalhos, devido a inex-istencia de trabalhos que possibilitassem tal comparacao, ate a data deconfeccao desta dissertacao nao foi possıvel estabelecer experimentosquantitativos relevantes a serem aplicados sobre a rede bayesiana detomada da decisao, apesar de o modelo ter sido implementado e exe-cutado no software Netica (CORP.NORSYS, Ultima visita em 21 demaio de 2011.). Desta forma, o unico experimento realizado sobre omodelo bayesiano para a tomada de decisao foi sua efetiva implemen-tacao na ferramenta Netica, confirmando assim a viabilidade praticada proposta apresentada.

69

6 CONCLUSAO

Apos estudar os mecanismos de cognicao do espectro que vemsendo desenvolvidos a fim de qualificar e dar tratamentos distintos ausuarios primarios e secundarios, bem como as tecnologias cognitivasque vem sendo gradativamente embarcadas nos dispositivos de rede semfio, e possıvel concluir que as tecnologias de CNs podem extrapolar ocampo tecnologico e apresentam um grande potencial para, ate mesmo,inclusao digital.

Tambem pode-se observar uma escassez de pesquisadores da areada computacao estudando CNs, concluindo-se assim a necessidade demais estudos que privilegiem a incorporacao de tecnologias oriundasda inteligencia artificial para este topico de pesquisa, que vem sendoabordado predominantemente por pesquisadores da area de engenhariaeletrica e eletronica.

Portanto, pode-se concluir que o presente trabalho atua no es-tado da arte, abordando a aplicacao de modelos de inferencia prob-abilıstica as redes cognitivas sem fio, que, atualmente, constituem avanguarda da pesquisa cientıfica no campo das redes sem fio.

6.1 PRINCIPAIS CONTRIBUICOES

Nesta dissertacao foi apresentado um metodo de sensoriamentodo espectro que efetivamente qualifica a rede que o implementa comocognitiva. Tambem foi proposto um modelo de tomada de decisao quesuporta os conceitos de usuario primario e os conceitos de usuario pri-vado e usuario publico, desenvolvidos no capıtulo 1.

No que tange aos objetivos especıficos, o sensoriamento mostrou-se adequado para evitar interferencia em usuarios primarios, uma vezque o modelo bayesiano mostrado pode ser devidamente ajustado deforma a nao apresentar qualquer diminuicao da acuracia da deteccao emrelacao a precisao do sensor de PU. Ainda, uma vez utilizada a apren-dizagem das probabilidades a priori, o modelo apresentou possibilidadede ajuste da deteccao em relacao a uma deteccao de referencia.

A primazia dos PUs, por sua vez, foi garantida no modelo detomada de decisao que executa a acao de abandonar o canal quando edetectada uma ocupacao (presente ou futura) por parte de um PU.

Por fim, o mesmo modelo de tomada de decisao contemplou asacoes de admitir ou demitir PBs, lancando bases para futuros trabalhos

70

que efetivamente estudem e desenvolvam este modelo com fins sociais,e quica de inclusao digital.

6.2 TRABALHOS FUTUROS

Trabalhos futuros devem aprofundar os algoritimos de aprendiza-gem, bem como os experimentos e simulacoes para investigar uma gamamais ampla de fatores que influenciam o sensoriamento e a decisao noespectro.

Um aprofundamento maior tambem deve ser dado ao modelomatematico que define as equacoes que tratam do calculo das proba-bilidades acerca do sensoriamento e caracterizacao do espectro.

Ainda, no futuro, deve-se incluir estudos de psicologia comporta-mental, aprofundando os esforcos para identificar a influencia das tec-nologias propostas no possıvel comportamento de pessoas efetivamenteapropriadas de tais tecnologias.

71

REFERENCIAS BIBLIOGRAFICAS

AKYILDIZ, I. F. Broadband Wireless Networking Lab. Disponıvel em:<http://www.ece.gatech.edu/research/labs/bwn/>.

AKYILDIZ, I. F.; LEE, W.-Y.; CHOWDHURY, K. R. Crahns:Cognitive radio ad hoc networks. Ad Hoc Netw., Elsevier SciencePublishers B. V., Amsterdam, The Netherlands, The Netherlands,v. 7, p. 810–836, July 2009a. ISSN 1570-8705. Disponıvel em:<http://portal.acm.org/citation.cfm?id=1508337.1508834>.

AKYILDIZ, I. F.; LEE, W.-Y.; CHOWDHURY, K. R. Spectrummanagement in cognitive radio ad hoc networks. Netwrk. Mag.of Global Internetwkg., IEEE Press, Piscataway, NJ, USA,v. 23, p. 6–12, July 2009b. ISSN 0890-8044. Disponıvel em:<http://dx.doi.org/10.1109/MNET.2009.5191140>.

AKYILDIZ, I. F. et al. Next generation/dynamic spectrumaccess/cognitive radio wireless networks: a survey. Comput. Netw.,Elsevier North-Holland, Inc., New York, NY, USA, v. 50, n. 13, p.2127–2159, September 2006. ISSN 1389-1286.

AKYILDIZ, I. F. et al. A survey on spectrum management in cognitiveradio networks. IEEE Communications Magazine, v. 46, p. 40–48,Apr. 2008 2008.

ATAPATTU, S.; TELLAMBURA, C.; JIANG, H. Energy detectionbased cooperative spectrum sensing in cognitive radio networks.Wireless Communications, IEEE Transactions on, 2011.

BARROS, R. P. de. Pobreza, Estrutura Familiar e Trabalho. 1995.

BRANDAO, M. de F. R.; TROCCOLI, B. T. Um modelo de avaliacaode projeto de inclusao digital e social: Casa brasil. Anais do SimposioBrasileiro de Informatica na Educacao, Anais do SBIE 2006, p.537–546, 2006.

CABRIC, D.; TKACHENKO, A.; BRODERSEN, R. W. Experimentalstudy of spectrum sensing based on energy detection and networkcooperation. In: Proceedings of the first international workshop onTechnology and policy for accessing spectrum. New York, NY, USA:ACM, 2006. (TAPAS ’06). ISBN 1-59593-510-X. Disponıvel em:<http://doi.acm.org/10.1145/1234388.1234400>.

72

CHOI, K. W. Adaptive sensing technique to maximize spectrumutilization in cognitive radio. Vehicular Technology, IEEE Transactionson, v. 59, n. 2, p. 992 –998, 2010. ISSN 0018-9545.

CORP.NORSYS, S. Netica Application. Ultima visita em 21 de maiode 2011. Disponıvel em: <http://www.norsys.com/netica.html>.

CUSINATO, R. T. Teoria da decisao sob incerteza e a hipotese dautilidade esperada : conceitos analıticos e paradoxos. Porto Alegre,RS, BR: Elsevier North-Holland, Inc., September 2003. 2127–2159 p.

ENSERINK, S.; COCHRAN, D. A cyclostationary feature detector.In: Signals, Systems and Computers, 1994. 1994 Conference Record ofthe Twenty-Eighth Asilomar Conference on. [S.l.: s.n.], 1994. v. 2, p.806 –810 vol.2. ISSN 1058-6393.

FCC, F. C. C. Report of the Spectrum Efficiency Working Group. ETDocket No. 02-135. November 2002.

FIANI, R. Teoria dos Jogos. [S.l.]: Campus, 2009.

HOSSEINI, S.; TEIMOURI, M. Mathematical analysis of primaryusers characteristics effects on cognitive radios. In: AdvancedCommunication Technology (ICACT), 2010 The 12th InternationalConference on. [S.l.: s.n.], 2010. v. 2, p. 1252 –1255. ISSN 1738-9445.

HOYHTYA, M.; POLLIN, S.; MAMMELA, A. Performanceimprovement with predictive channel selection for cognitive radios. In:Cognitive Radio and Advanced Spectrum Management, 2008. CogART2008. First International Workshop on. [S.l.: s.n.], 2008. p. 1 –5.

HU, F.; WANG, S. Energy detection for spectrum sensing in cognitiveradio sensor network over fading channels. In: Proceedings of the 5thInternational Conference on Wireless communications, networkingand mobile computing. Piscataway, NJ, USA: IEEE Press, 2009.(WiCOM’09), p. 1511–1514. ISBN 978-1-4244-3692-7. Disponıvel em:<http://portal.acm.org/citation.cfm?id=1736862.1737228>.

KAPLAN, M.; BUZLUCA, F. A dynamic spectrum decisionscheme for heterogeneous cognitive radio networks. In: Computerand Information Sciences, 2009. ISCIS 2009. 24th InternationalSymposium on. [S.l.: s.n.], 2009. p. 697 –702.

LEE, C.; LEE, W. Exploiting spectrum usage patterns for efficientspectrum management in cognitive radio networks. In: Advanced

73

Information Networking and Applications (AINA), 2010 24th IEEEInternational Conference on. [S.l.: s.n.], 2010. p. 320 –327. ISSN1550-445X.

LEE, W.-Y.; AKYILDIZ, I. Optimal spectrum sensing frameworkfor cognitive radio networks. Wireless Communications, IEEETransactions on, v. 7, n. 10, p. 3845 –3857, 2008. ISSN 1536-1276.

LEE, W.-Y.; AKYLDIZ, I. F. A spectrum decision framework forcognitive radio networks. IEEE Transactions on Mobile Computing,IEEE Educational Activities Department, Piscataway, NJ, USA,v. 10, p. 161–174, February 2011. ISSN 1536-1233. Disponıvel em:<http://dx.doi.org/10.1109/TMC.2010.147>.

LIU, X.; KRISHNAMACHARI, B.; LIU, H. Channel selection inmulti-channel opportunistic spectrum access networks with perfectsensing. In: New Frontiers in Dynamic Spectrum, 2010 IEEESymposium on. [S.l.: s.n.], 2010. p. 1 –8.

MENDES, R. d. S.; WESTPHALL, C. B.; GARCIA, E. R. Aframework to radio layer operation in cognitive networks. In:Proceedings of the 2010 Sixth International Conference on Networkingand Services. Washington, DC, USA: IEEE Computer Society, 2010.(ICNS ’10), p. 299–304. ISBN 978-0-7695-3969-0.

MITOLA, J. I. Cognitive Radio An Integrated Agent Architecturefor Software Defined Radio. Tese (Doutorado) — Royal Institute ofTechnology (KTH), may 2000.

PEARL, J. Probabilistic Reasoning in Intelligent Systems: Networksof Plausible Inference. [S.l.]: Morgan Kaufmann, 1988.

SBC, S. B. de C. Relatorio Final dos Grandes Desafiosda Pesquisa em Computacao no Brasil - 2006 - 2016.Ultima visita em 21 de maio de 2011. Disponıvel em:<http://www.ic.unicamp.br/ cmbm/desafiosSBC/>.

TEIXEIRA, E. D. Uma analise experimental de alocacao de canal pararedes sem fio 802.11. 65 p. Dissertacao (Mestrado) — UniversidadeFederal de Santa Catarina (UFSC). Programa de Pos-Graduacao emCiencia da Computacao., 2010.

THOMAS, R. W.; DASILVA, L. A.; MACKENZIE, A. B. Cognitivenetworks. In: Proceedings of IEEE DySPAN 2005. [S.l.: s.n.], 2005. p.352–360.

74

TURIN, G. An introduction to matched filters. IEEE Transactions onInformation Theory, v. 6, p. 311–329, 1960.

ZHOU, X. et al. Probability-based combination for cooperativespectrum sensing. Trans. Comm., IEEE Press, Piscataway, NJ, USA,v. 58, p. 463–466, February 2010. ISSN 0090-6778. Disponıvel em:<http://dx.doi.org/10.1109/TCOMM.2010.02.080154>.

APENDICE A -- Experimentos realizados - testes t-Student

77

A.1 TESTE DAS DECISOES CORRETAS

t.test(dc1,dc2)

Welch Two Sample t-test

data: dc1 and dc2\\

t = -28.7121, df = 16.925, p-value = 8.497e-16\\

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

-18.84935 -16.26799

sample estimates:

mean of x mean of y

54.55907 72.11774

A.2 TESTE DOS FALSOS POSITIVOS

t.test(fp1,fp2)

Welch Two Sample t-test

data: fp1 and fp2

t = -5.3486, df = 17.03, p-value = 5.288e-05

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

-2.467097 -1.071459

sample estimates:

mean of x mean of y

0.8870648 2.6563431

A.3 TESTE DOS FALSOS NEGATIVOS

t.test(fn1,fn2)

Welch Two Sample t-test

data: fn1 and fn2

t = 24.8651, df = 17.897, p-value = 2.499e-15

alternative hypothesis: true difference in means is not equal to 0

78

95 percent confidence interval:

17.03999 20.18667

sample estimates:

mean of x mean of y

34.23087 15.61754

A.4 TESTE DOS OUTROS ERROS

t.test(oe1,oe2)

Welch Two Sample t-test

data: oe1 and oe2

t = -0.7184, df = 13.308, p-value = 0.4849

alternative hypothesis: true difference in means is not equal to 0

95 percent confidence interval:

-1.6607246 0.8304074

sample estimates:

mean of x mean of y

10.20469 10.61984